評価方法

表 4.16: Mega Solar Dataset 16 ver.4の詳細．D_OSKv4は図4.13aを，D_KSv4は図4.13bを 分割して作成したデータセットである．offset(P_OSKv4)はセルを切り出す際にグリッドに オフセットを加えることで P_OSKv4 の数を増やしたものである．N_OSK80Kv4，N_OSK40Kv4，

N_OSK8Kv4はそれぞれN_OSKv4をランダムアンダーサンプリングしたものである．

データセット セルの数

P_OSKv4 54

offset(P_OSKv4) 858

DOSKv4 NOSKv4 159205

(training) N_OSK80Kv4 80000 N_OSK40Kv4 40000

NOSK8Kv4 8000

D_KSv4 P_KSv4 41

(test) N_KSv4 159523

Mega Solar Dataset 16 Japan ver.2 (MSD-16-J-v2)

表4.12の20枚のLandsat 8 衛星画像をセルサイズ16×16で分割する．教師付けでは

3.2.4項に従ってセル内にメガソーラーを20%以上含むセルを正例とし，負例からは除外

領域を除いている．その際，MSD-16-J-v1 ではシーンごとに正例と負例に分割していた が，このデータセットではポリゴンのあるメガソーラーを学習データ，検証データ，テ ストデータにそれぞれ70 : 5 : 25の比でランダムに分割し，学習データについてのみ，セ ルを切り出すグリッドにオフセットを加えてデータ数を増やす処理を行っている．その 結果をその結果を表4.18に示す．

表 4.17: Mega Solar Dataset 16 Japan ver.1 の詳細．P_s, N_s はそれぞれ正例と負例であ る．offset(P_s) はセルを切り出す際にグリッドにオフセットを加えることでP_s の数を増 やしたものである．

シーン番号s |P_s| |N_s| |offset(P_s)|

1 1 161892 17

2 11 161582 154

3 9 161204 128

4 3 161391 63

5 12 160929 208

6 48 160457 721

7 7 161185 118

8 53 158327 840

9 12 159775 198

10 7 161435 104

11 3 160871 34

12 33 159925 539

13 54 159204 860

14 22 159949 369

15 9 161145 132

16 8 161366 132

17 37 160265 615

18 41 159565 703

19 21 160165 339

20 2 161315 47

実験方法

データセットとしては，4.2.2項のMSD-16-v1と4.2.2項のMSD-16-v2を用いる．D_train として，4.2.2項のMSD-16-v1のPOSKv1, NOSK80Kv1と4.2.2項のMSD-16-v2のPOSKv2, N_OSK80Kv2をそれぞれ用いる．D_testとしては，MSD-16-v1のD_KSv1を用いる．

CNNのモデルとしては，3.3.1項のcifar10-11pctを用いる．CNNモデルの実装とし てはcuda-convnet2 (A.1.2項)を，実験環境はA.2.2項のPCを用いる．学習のepoch 数 は 300-10-10 である．

また，本実験では入力画像のバンドの組み合わせを2, 3, 4と5, 6, 7の場合の2通り行 う．各データセットによる実験を5回ずつ行い，評価指標について平均と標準偏差を観 察する．

表4.18: Mega Solar Dataset 16 Japan ver.2 の詳細．P, N はそれぞれ正例と負例である．

offset(P_train)はセルを切り出す際にグリッドにオフセットを加えることでP_train の数を増 やしたものである．undersampling(N_train)は N_train をランダムアンダーサンプリングし たものである．

データセット セルの数

P_train 300

D_train N_train 2247428

(training) offset(Ptrain) 4851 undersampling(N_train) 320000

D_val P_val 21

(validation) N_val 160533

D_test P_test 105

(test) N_test 802666

表 4.19: バンド5, 6, 7を用いた場合の実験結果．

データラベル precision recall F-value 平均 標準偏差 平均 標準偏差 平均 標準偏差 MSD-16-v1 0.265 0.0445 0.240 0.0196 0.249 0.0179 MSD-16-v2 0.323 0.0625 0.092 0.0084 0.142 0.0107 実験結果と考察

実験を precision, recall, F-valueで評価した結果を表4.19に示す．なお，バンド2, 3, 4 を用いた場合はMSD-16-v1とMSD-16-v2のどちらで学習した場合もD_KSv1でテストを 行うと全てが負例と認識されてしまったため，表4.19には示していない．

実験結果より，バンド2, 3, 4ではメガソーラーをまったく認識できなかったが，これ

はバンド2, 3, 4ではメガソーラーと判断するための情報が不足しているためと考えられ

る．対して，バンド5, 6, 7では認識できたことから，メガソーラーは近赤外に特徴があ ることが確認できたといえる．

4.2.5 近赤外バンドによる認識結果の比較

実験目的

4.2.4項の実験より，メガソーラーを対象とした地物認識では近赤外のバンドを用いる

ことで認識が可能であることが判明した．それを踏まえて，バンド5, 6, 7についてデー

表 4.20: バンド5, 6, 7を用いた場合の実験結果．

学習に使用した負例 precision recall F-value 平均 標準偏差 平均 標準偏差 平均 標準偏差

N_OSK80Kv1 0.265 0.0445 0.240 0.0196 0.249 0.0179

NOSK40Kv1 0.209 0.0183 0.308 0.0115 0.248 0.0124

N_OS8Kv1 0.112 0.0200 0.479 0.0135 0.181 0.0260

N_OSK80Kv2 0.323 0.0625 0.092 0.0084 0.142 0.0107

NOSK40Kv2 0.290 0.0303 0.153 0.0135 0.199 0.0121

N_OSK8Kv2 0.170 0.0256 0.238 0.0084 0.197 0.0185

実験方法

データセットとしては，4.2.2項のMSD-16-v1と4.2.2項のMSD-16-v2を用いる．D_train として，4.2.2項のMSD-16-v1のP_OSKv1, N_OSK80Kv1, N_OSK40Kv1, N_OSK8Kv1と4.2.2項の MSD-16-v2のP_OSKv2, N_OSK80Kv2, N_OSK40Kv2, N_OSK8Kv2をそれぞれ用いる．D_testとして は，MSD-16-v1のD_KSv1を用いる．

CNNのモデルとしては，3.3.1項のcifar10-11pctを用いる．CNNモデルの実装とし てはcuda-convnet2 (A.1.2項) を，実験環境はA.2.2項のPCを用いる．学習のエポック 数は300-10-10 である．

また，本実験では入力画像のバンドの組み合わせが5, 6, 7の場合について行う．各デー タセットによる実験を5回ずつ行い，評価指標について平均と標準偏差を観察する．

実験結果と考察

実験を precision, recall, F-valueで評価した結果を表4.20および図4.15に示す．

アンダーサンプリングした際の結果は基本的には4.1.4項のゴルフ場の実験と同様に precisionが下がり，recallが上がるものであった．しかし，MSD-16-v2に関してF-value を見ると，負例が80000個の時が40000個の時よりも低い結果となっていた．