高效建筑屋顶类型分类：基于域特定自监督方法
计算机视觉与模式识别
2025-03-31 v1
摘要
准确地从航空图像中对建筑屋顶类型进行分类对于各种遥感应用至关重要，包括城市规划、灾害管理和基础设施监测。然而，该任务常因监督学习方法可用标注数据有限而受限。为此，本文探讨了利用以计算效率著称的EfficientNet架构进行自监督学习在建筑屋顶类型分类中的有效性。我们提出了一种新框架，集成卷积块注意力模块（CBAM），以增强EfficientNet的特征提取能力。此外，我们还比较了在领域特定数据集——航空图像数据集（Aerial Image Dataset, AID）上的预训练与ImageNet预训练的优势。我们的实验结果表明，我们方法的优越性。采用Simple Framework for Contrastive Learning of Visual Representations（SimCLR）与EfficientNet-B3及CBAM，在验证集上实现了95.5%的准确率，匹配了基于变换器模型的最先进技术水平，同时使用的参数数量显著更少。我们还在两个具有挑战性的测试集上进行了全面评估，展示了我们方法的泛化能力。值得注意的是，我们的发现突显了域特定预训练的有效性，始终优于基于通用ImageNet数据集预训练的模型。我们的工作表明，基于EfficientNet的自监督学习是一种计算效率高且高度有效的建筑屋顶类型分类方法，特别适用于标注数据有限的场景。
关键词
引用
@article{arxiv.2503.22251,
title = {Efficient Building Roof Type Classification: A Domain-Specific Self-Supervised Approach},
author = {Guneet Mutreja and Ksenia Bittner},
journal= {arXiv preprint arXiv:2503.22251},
year = {2025}
}