面向土地覆盖图像分类的深度学习模型基准测试与缩放
计算机视觉与模式识别
2022-09-15 v3
摘要
海量 Copernicus Sentinel-2 影像的可用性为利用深度学习（DL）方法进行土地利用与土地覆盖（LULC）图像分类创造了新机遇。然而，目前缺乏一套广泛的基准实验，即在相同数据集、通用且一致的指标集以及相同硬件上测试 DL 模型。本工作中，我们使用 BigEarthNet Sentinel-2 数据集，首次针对多标签、多类 LULC 图像分类问题对不同的最先进 DL 模型进行基准测试，贡献了一个包含 60 个训练模型的详尽模型库。我们的基准涵盖标准 CNN 以及非卷积方法。我们测试了 EfficientNets 与宽残差网络（WRN）架构，并考量分类精度、训练时间与推理速率。此外，我们提出使用 EfficientNet 框架对轻量 WRN 进行复合缩放。辅以高效通道注意力机制，我们的缩放轻量模型成为新的最先进模型。与标准 ResNet50 基线模型相比，其在全部 19 个 LULC 类上平均 F 值分类精度提高 4.5%，而可训练参数少一个数量级。我们提供所有训练模型的访问权限，以及用于多 GPU 节点分布式训练的代码。这一预训练编码器的模型库可用于使用 Sentinel-2 数据的不同遥感任务中的迁移学习与快速原型开发，而非利用来自不同域（如 ImageNet）数据训练的骨干模型。我们在不同规模的多个数据集上验证了它们用于迁移学习的适用性。我们性能最优的 WRN 在 SEN12MS 数据集上以仅接触训练集一小部分数据取得了最先进性能（71.1% F 值）。
引用
@article{arxiv.2111.09451,
title = {Benchmarking and scaling of deep learning models for land cover image classification},
author = {Ioannis Papoutsis and Nikolaos-Ioannis Bountos and Angelos Zavras and Dimitrios Michail and Christos Tryfonopoulos},
journal= {arXiv preprint arXiv:2111.09451},
year = {2022}
}
备注
25 pages