EuroSAT：一个用于土地利用与土地覆盖分类的新颖数据集及深度学习基准
计算机视觉与模式识别
2019-02-04 v2 机器学习
摘要
本文针对使用Sentinel-2卫星图像进行土地利用与土地覆盖分类的挑战。Sentinel-2卫星图像由哥白尼地球观测计划公开免费提供。我们提出了一个基于Sentinel-2卫星图像的新颖数据集，该数据集覆盖13个光谱波段，包含10个类别，共计27,000张已标注且具有地理参考的图像。我们利用最先进的深度卷积神经网络为该新颖数据集及其光谱波段提供了基准测试。借助所提出的新颖数据集，我们实现了98.57%的总体分类精度。由此产生的分类系统为诸多地球观测应用打开了大门。我们展示了该分类系统如何用于检测土地利用与土地覆盖变化，以及如何辅助改进地理地图。具有地理参考的数据集EuroSAT已在https://github.com/phelber/eurosat上公开提供。
引用
@article{arxiv.1709.00029,
title = {EuroSAT: A Novel Dataset and Deep Learning Benchmark for Land Use and Land Cover Classification},
author = {Patrick Helber and Benjamin Bischke and Andreas Dengel and Damian Borth},
journal= {arXiv preprint arXiv:1709.00029},
year = {2019}
}