DeepSat——一种卫星影像学习框架
计算机视觉与模式识别
2015-09-14 v1
摘要
卫星图像分类是一个位于遥感、计算机视觉和机器学习交叉处的挑战性问题。由于卫星数据固有的高变异性，当前大多数目标分类方法不适合处理卫星数据集。卫星图像分析的发展也因缺乏具有多类标签的单一标注高分辨率数据集而受到阻碍。本文的贡献有两方面——(1)首先，我们提出两个新的卫星数据集SAT-4和SAT-6；(2)然后，我们提出一种分类框架，从输入图像中提取特征，对其进行归一化，并将归一化后的特征向量输入深度信念网络(Deep Belief Network)进行分类。在SAT-4数据集上，我们的最佳网络达到了97.95%的分类准确率，优于三种最先进的目标识别算法，即深度信念网络、卷积神经网络(Convolutional Neural Networks)和堆叠去噪自编码器(Stacked Denoising Autoencoders)约11%。在SAT-6上，它达到了93.9%的分类准确率，优于其他算法约15%。与随机森林分类器的比较研究显示了无监督学习方法相对于传统监督学习技术的优势。基于分布可分离性准则和本征维数估计的统计分析证实了我们的方法在学习卫星影像更好表示方面的有效性。
引用
@article{arxiv.1509.03602,
title = {DeepSat - A Learning framework for Satellite Imagery},
author = {Saikat Basu and Sangram Ganguly and Supratik Mukhopadhyay and Robert DiBiano and Manohar Karki and Ramakrishna Nemani},
journal= {arXiv preprint arXiv:1509.03602},
year = {2015}
}
备注
Paper was accepted at ACM SIGSPATIAL 2015