用于增量式土地利用/土地覆盖卫星影像块高效分类的双速网络集成
计算机视觉与模式识别
2022-03-17 v1 机器学习
摘要
卫星影像数据量的持续增长对基于超大数据集及时分析做出数据驱动决策的产业界与政府构成了挑战。常用的卫星图像自动分类深度学习算法训练耗时且耗费资源。在大数据背景下，当新图像数据和/或类别加入训练语料时，重新训练的成本带来实际挑战。认识到对一种自适应、准确且可扩展的卫星影像块分类方案的需求，本研究提出一种集成方法：i) 训练慢但高精度的视觉 Transformer；ii) 训练快、低参数量的卷积神经网络。视觉 Transformer 模型提供可扩展且准确的基础模型。高速 CNN 以精度较低为代价，提供将新标注数据高效纳入分析的手段。为模拟增量数据，将超大型（约 400,000 张图像）So2Sat LCZ42 卫星影像块数据集划分为四个区间，高速 CNN 每个区间重训一次，视觉 Transformer 每半个区间训练一次。该实验设置模拟了数据量与多样性的随时间增长。对于自动土地覆盖/土地利用分类任务，各数据增量的集成模型均优于各组件模型，在 So2Sat 数据集的留出测试划分上取得最高 65% 准确率。所提集成与交错训练计划提供了一种可扩展且具成本效益的卫星图像分类方案，经优化以处理超大量卫星数据。
引用
@article{arxiv.2203.08267,
title = {2-speed network ensemble for efficient classification of incremental land-use/land-cover satellite image chips},
author = {Michael James Horry and Subrata Chakraborty and Biswajeet Pradhan and Nagesh Shukla and Sanjoy Paul},
journal= {arXiv preprint arXiv:2203.08267},
year = {2022}
}
备注
24 pages, 9 figures, 5 tables