深度迁移学习用于土地利用与土地覆盖分类：一项比较研究
计算机视觉与模式识别
2021-12-06 v3
摘要
利用高空间分辨率影像高效实现遥感图像分类，可为土地利用与土地覆盖（LULC）分类提供重要价值。遥感与深度学习技术的新进展促进了LULC分类中时空信息的提取。此外，包括遥感在内的众多科学学科，已借助带迁移学习的卷积神经网络（CNNs）在图像分类上取得了巨大改进。在本研究中，我们并非从头训练CNNs，而是将迁移学习应用于微调预训练网络VGG16（Visual Geometry Group）与宽残差网络（WRNs），通过替换最终层并添加额外层，使用EuroSAT数据集的RGB版本进行LULC分类。此外，采用早停、梯度裁剪、自适应学习率和数据增强等技术对性能与计算时间进行比较和优化。所提方法解决了数据有限的问题，并取得了非常好的精度。结果表明，基于WRNs的所提方法在计算效率和精度上均优于先前报道的最佳结果，精度从98.57%提升至99.17%。
引用
@article{arxiv.2110.02580,
title = {Deep Transfer Learning for Land Use and Land Cover Classification: A Comparative Study},
author = {Raoof Naushad and Tarunpreet Kaur and Ebrahim Ghaderpour},
journal= {arXiv preprint arXiv:2110.02580},
year = {2021}
}