利用拓扑数据分析与卷积神经网络提高遥感图像分类性能
计算机视觉与模式识别
2025-07-15 v1 机器学习
摘要
拓扑数据分析（TDA）是一项正在快速获得采纳的新领域，因其鲁棒性和能够通过量化几何信息有效描述复杂数据集的能力而受到关注。在影像情境下，TDA 通常将数据建模为过滤的立方复合体，从而可提取持久同调特征。与此同时，卷积神经网络（CNN）被证明对基于纹理的局部特征存在偏差。为解决这一局限，本文提出一种 TDA 特征工程流程，以及一种简方法将拓扑特征与深度学习模型集成于遥感图像分类任务。我们的方法使 ResNet18 模型在 EuroSAT 数据集上的性能提升 1.44%，实现 99.33% 的准确率，超越了所有先前报告的单模型准确率，包括更大架构的 ResNet50（规模为 2 倍）和 XL Vision Transformer（规模为 197 倍）。此外，我们还展示该方法在 RESISC45 数据集上的准确率比 ResNet18 基线高出 1.82%。据我们所知，这是首次将 TDA 特征应用于深度学习中的卫星景观分类。该研究表明，即使在无显式拓扑结构的数据集上，TDA 特征也可与深度学习模型集成，从而增加了 TDA 的适用性。我们的方法一个干净的实现将在本文发表后公开。
引用
@article{arxiv.2507.10381,
title = {Improving Remote Sensing Classification using Topological Data Analysis and Convolutional Neural Networks},
author = {Aaryam Sharma},
journal= {arXiv preprint arXiv:2507.10381},
year = {2025}
}
备注
9 pages, 8 figures