A Novel Framework to Jointly Compress and Index Remote Sensing Images for Efficient Content-Based Retrieval

要約

リモートセンシング（RS）イメージは通常、アーカイブのストレージサイズを縮小するために、圧縮形式で保存されます。
したがって、RSの既存のコンテンツベースの画像検索（CBIR）システムでは、CBIRを適用する前に画像をデコードする必要があります（大規模なCBIR問題の場合は計算量が多くなります）。
この問題に対処するために、この論文では、RS画像の圧縮とインデックス作成を同時に学習する共同フレームワークを紹介します。
したがって、CBIRを適用する前にRS画像をデコードする必要がなくなります。
提案されたフレームワークは、2つのモジュールで構成されています。
最初のモジュールは、オートエンコーダアーキテクチャに基づいてRS画像を圧縮します。
2番目のモジュールは、ソフトペアワイズ、ビットバランシング、および分類損失関数を使用することにより、高い識別機能を備えたハッシュコードを生成します。
また、RS画像のインデックス作成と圧縮の両方と互換性のある画像表現を取得するための勾配操作技術を使用した2段階の学習戦略を紹介します。
実験結果は、RSで広く使用されているアプローチと比較した場合の提案されたフレームワークの有効性を示しています。
提案されたフレームワークのコードは、https：//git.tu-berlin.de/rsim/RS-JCIFで入手できます。

要約(オリジナル)

Remote sensing (RS) images are usually stored in compressed format to reduce the storage size of the archives. Thus, existing content-based image retrieval (CBIR) systems in RS require decoding images before applying CBIR (which is computationally demanding in the case of large-scale CBIR problems). To address this problem, in this paper, we present a joint framework that simultaneously learns RS image compression and indexing. Thus, it eliminates the need for decoding RS images before applying CBIR. The proposed framework is made up of two modules. The first module compresses RS images based on an auto-encoder architecture. The second module produces hash codes with a high discrimination capability by employing soft pairwise, bit-balancing and classification loss functions. We also introduce a two stage learning strategy with gradient manipulation techniques to obtain image representations that are compatible with both RS image indexing and compression. Experimental results show the efficacy of the proposed framework when compared to widely used approaches in RS. The code of the proposed framework is available at https://git.tu-berlin.de/rsim/RS-JCIF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google