通过 UMDA 构建分类器集成用于航空场景分类
计算机视觉与模式识别
2024-04-04 v2 机器学习
摘要
航空场景分类旨在将遥感图像语义标注为一组预定义类别（如农业、海滩和港口），由于数据集中图像存在高类内变异性及物体不同的尺度与朝向，它是遥感中一项极具挑战的任务。在遥感领域，使用 CNN 架构作为替代方案用于场景分类任务也是现实所在。一般而言，这些 CNN 被用于执行传统的图像分类任务。然而，另一种较少使用的遥感图像分类方式可能是采用深度度量学习（DML）方法。就此而言，本工作提出采用六种 DML 方法用于航空场景分类任务，分析其与四种不同预训练 CNN 的表现，并通过进化计算算法（UMDA）将它们组合。在开展的实验中可观察到，相较于传统预训练 CNN，在三个知名遥感航空场景数据集上 DML 方法能取得最佳分类结果。此外，UMDA 算法被证明在 DML 方法间存在多样性时是一种有前景的组合策略，在使用几乎 50\% 的可用分类器构建最终分类器集成时，能使分类结果准确率提升至少 5.6%。
引用
@article{arxiv.2303.11389,
title = {Creating Ensembles of Classifiers through UMDA for Aerial Scene Classification},
author = {Fabio A. Faria and Luiz H. Buris and Luis A. M. Pereira and Fábio A. M. Cappabianco},
journal= {arXiv preprint arXiv:2303.11389},
year = {2024}
}
备注
9 pages, 4 figures, accepted for presentation at the GECCO2024