增强光学卫星图像中的船舶分类：集成卷积块注意力模块与 ResNet 以提升性能
计算机视觉与模式识别
2024-08-22 v4 图像与视频处理
摘要
在本研究中，我们提出了一种用于基于光学卫星图像船舶分类的先进卷积神经网络 (CNN) 架构，该架构通过集成卷积块注意力模块 (CBAM) 及额外的架构创新显著提升了性能。在基础 ResNet50 模型之上，我们首先引入了标准 CBAM 以引导模型关注更具信息量的特征，实现了 87% 的准确率，而基线 ResNet50 的准确率为 85%。进一步的增强涉及多尺度特征集成、深度可分离卷积和空洞卷积，最终形成了一个带有改进 CBAM 的增强型 ResNet 模型。该模型展现出 95% 的显著准确率，且精确率、召回率和 F1 分数在各类船舶上均有大幅提升。特别是，散货船和油轮类别表现出近乎完美的精确率和召回率，突显了该模型准确识别和分类船舶的增强能力。注意力热图分析进一步验证了改进模型的有效性，表明无论背景复杂程度如何，模型都能更集中于相关的船舶特征。这些发现突显了将注意力机制和架构创新集成到 CNN 中用于高分辨率卫星图像分类的潜力。本研究探讨了类别不平衡和计算成本问题，并提出了在新颖或罕见船舶类型识别中的可扩展性和适应性未来方向。本研究为在遥感中应用先进深度学习技术奠定了基础，为可扩展且高效的卫星图像分类提供了见解。
引用
@article{arxiv.2404.02135,
title = {Enhancing Ship Classification in Optical Satellite Imagery: Integrating Convolutional Block Attention Module with ResNet for Improved Performance},
author = {Ryan Donghan Kwon and Gangjoo Robin Nam and Jisoo Tak and Junseob Shin and Hyerin Cha and Seung Won Lee},
journal= {arXiv preprint arXiv:2404.02135},
year = {2024}
}
备注
Submitted to IEEE Access on August 16, 2024