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
NOSK80Kv1 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
NOS8Kv1 0.112 0.0200 0.479 0.0135 0.181 0.0260
NOSK80Kv2 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
NOSK8Kv2 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．Dtrain として，4.2.2項のMSD-16-v1のPOSKv1, NOSK80Kv1, NOSK40Kv1, NOSK8Kv1と4.2.2項の MSD-16-v2のPOSKv2, NOSK80Kv2, NOSK40Kv2, NOSK8Kv2をそれぞれ用いる．Dtestとして は，MSD-16-v1のDKSv1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．
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
OSK80Kv1 OSK40Kv1 OSK8Kv1 OSK80Kv2 OSK40Kv2 OSK8Kv2
Precision
平均
(a) Precisionの結果
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
OSK80Kv1 OSK40Kv1 OSK8Kv1 OSK80Kv2 OSK40Kv2 OSK8Kv2
Recall
平均
(b) Recallの結果
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
OSK80Kv1 OSK40Kv1 OSK8Kv1 OSK80Kv2 OSK40Kv2 OSK8Kv2
F-value
平均
(c) F-valueの結果
図 4.15: バンド5, 6, 7を用いた場合の実験結果．図中のエラーバーは標準偏差を表して
そのため，メガソーラーを対象とした実験でも単バンドでどの程度の性能が出るのか検 証する．
実験方法
データセットとしては4.2.2項のMSD-16-v2を用いる．4.2.2項のMSD-16-v2のPOSKv2, NOSK8Kv2に対して５分割交差検証を行う．DtrainはPOSKv2, NOSK8Kv2の5分の4を使用 し，Dtestとしては，残りの5分の1を用いる．使用するバンドは単バンドとし，1から7 までのバンドをそれぞれ単バンドで入力する．
CNNのモデルとしては，3.3.1項のcifar10-11pctを用いる．cifar10-11pctは入力を 3バンドとしているが，3バンド以外のバンド数で入力する際は，CNNのモデルの入力 のバンド数を適宜変更して実験する．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．
実験結果と考察
実験を precision, recall, F-valueで評価した結果を表4.21に示す．この結果より，単バ ンドではほとんど学習できないことが分かった．これより，4.2.5項の実験で学習ができ ていたのはバンドの組み合わせによるものだと考えられる．
4.2.7 目視判読のデータセットと自動作成のデータセットによる認識結
果の違い
実験目的
4.2.4，4.2.5項の実験では，目視判読で作成したデータセットを用いて実験を行った．し
かし，目視判読では異なる地域を実験対象とする際のコストが大きくなるという問題点が ある．そのため，セルに対する教師付けを自動化した4.2.2項のデータセットMSD-16-v3 を用いて実験を行い，目視判読によるデータセットMSD-16-v1およびMSD-16-v2の比 較を行う．
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-v2，4.2.2項の MSD-16-v3を用いる．Dtrainとして，4.2.2項のMSD-16-v1のPOSKv1,NOSK80Kv1, NOSK8Kv1と
表 4.21: 単バンドを用いた場合の実験結果．単バンドではほとんど学習できないことが 分かった．
バンド 評価指標 1回目 2回目 3回目 4回目 5回目
precision 0 0.500 1 0.500 0
1 recall 0 0.125 0.125 0.125 0
F-value 計算不可 0.200 0.222 0.200 計算不可
precision 0.500 1 計算不可 計算不可 0.500
2 recall 0.125 0.125 0 0 0.125
F-value 0.200 0.222 計算不可 計算不可 0.200
precision 計算不可 1 1 計算不可 計算不可
3 recall 0 0 0.250 0.125 0
F-value 計算不可 0.400 0.222 計算不可 計算不可
precision 計算不可 1 計算不可 計算不可 1
4 recall 0 0.125 0 0 0.125
F-value 計算不可 0.222 計算不可 計算不可 0.222
precision 計算不可 計算不可 計算不可 計算不可 計算不可
5 recall 0 0 0 0 0
F-value 計算不可 計算不可 計算不可 計算不可 計算不可
precision 計算不可 計算不可 計算不可 計算不可 計算不可
6 recall 0 0 0 0 0
F-value 計算不可 計算不可 計算不可 計算不可 計算不可
precision 1 1 計算不可 計算不可 計算不可
7 recall 0.125 0.125 0 0 0
F-value 0.222 0.222 計算不可 計算不可 計算不可
4.2.2項のMSD-16-v2のPOSKv2, NOSK80Kv2, NOSK8Kv2，4.2.2項のMSD-16-v3のPOSKv3, NOSK80Kv3, NOSK8Kv3をそれぞれ用いる．Dtestとしては，MSD-16-v1のDKSv1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で評価した結果を図4.16に示す．
目視判読で作成したデータセットであるMSD-16-v1とMSD-16-v2で学習した場合と
自動で作成したデータセットMSD-16-v3で学習した結果を比較すると，MSD-16-v3の 結果の方が総じて少し性能が低かったが，大きく下回るものではなかった．MSD-16-v3 の方がデータセットの作成のコストが低く，また，他の地域への拡張も容易であるため，
MSD-16-v3とそれに準じた作成方法のデータセットを使用することとする．