DeepSat V2：用于卫星图像分类的特征增强卷积神经网络
计算机视觉与模式识别
2019-11-19 v1 机器学习
图像与视频处理
摘要
卫星图像分类是一个位于遥感、计算机视觉与机器学习交叉处的具有挑战性的问题。由于卫星数据固有的高变异性，当前大多数目标分类方法都不适用于处理卫星数据集。卫星图像分析的发展也因缺乏带有多类标签的单一标注高分辨率数据集而受到阻碍。在本工作的初步版本中，我们引入了两个新的高分辨率卫星影像数据集（SAT-4 和 SAT-6），并提出了基于“手工特征”和深度信念网络（DBN）的 DeepSat 分类框架。本文为扩展版本，我们提出了一种端到端框架，利用一种改进架构，将卷积神经网络（CNN）与手工特征相增强（而非使用基于 DBN 的架构）用于分类。我们的框架可获取来自手工特征以及 CNN 特征图的融合空间信息，在 SAT-4 和 SAT-6 上分别取得了 99.90% 和 99.84% 的准确率，超越了所有其他最先进的结果。基于分布可分离准则的统计分析证实了我们的方法在学习卫星影像更好表征方面的鲁棒性。
引用
@article{arxiv.1911.07747,
title = {DeepSat V2: Feature Augmented Convolutional Neural Nets for Satellite Image Classification},
author = {Qun Liu and Saikat Basu and Sangram Ganguly and Supratik Mukhopadhyay and Robert DiBiano and Manohar Karki and Ramakrishna Nemani},
journal= {arXiv preprint arXiv:1911.07747},
year = {2019}
}
备注
This is an Accepted Manuscript of an article published by Taylor & Francis Group in Remote Sensing Letters. arXiv admin note: text overlap with arXiv:1509.03602