基于卷积神经网络与迁移学习的地理地表结构分类
计算机视觉与模式识别
2025-03-05 v1
摘要
卫星图像为学术界、科学家和政策制定者提供了前所未有的全球空间数据访问途径，极大地彻底改变了地理学领域。人工方法通常需要耗费大量时间和精力来检测卫星图像中的通用地表结构。该研究可产生一系列应用，如城市规划与发展、环境监测、灾害管理等。因此，本研究提出了一种方法，以最小化人力并减少识别地表结构所需的费用和时间。本文开发了一种基于深度学习的方法来自动化地理地表结构的分类过程。我们使用了从 MLRSNet 获取的卫星图像数据集。该研究比较了三种架构的性能，即 CNN、ResNet-50 和 Inception-v3。我们对任何模型都使用了三种优化器：Adam、SGD 和 RMSProp。我们以固定数量的 epoch 进行训练过程，具体为 100 个 epoch，批次大小为 64。ResNet-50 配合 ADAM 优化器达到了 76.5% 的准确率，Inception-v3 配合 RMSProp 达到了 93.8% 的准确率，而本文提出的方法，即 CNN 配合 RMSProp 优化器，达到了最高水平的性能和 94.8% 的准确率。此外，对 CNN 模型的全面检查表明，其在所有类别上均具有出色的准确率、召回率和 F1 分数，证实了其在精确检测各种地形形态方面的韧性和可靠性。结果突出了深度学习模型在场景理解中的潜力，以及其在从卫星图像中高效识别和分类地表结构方面的重要性。
引用
@article{arxiv.2411.12415,
title = {Classification of Geographical Land Structure Using Convolution Neural Network and Transfer Learning},
author = {Mustafa M. Abd Zaid and Ahmed Abed Mohammed and Putra Sumari},
journal= {arXiv preprint arXiv:2411.12415},
year = {2025}
}