通过向 CNN 模型注入传统特征实现卫星图像土地分类
计算机视觉与模式识别
2023-01-18 v1 人工智能
摘要
多年来，深度学习方法已成功应用于遥感问题。在这些方法中，基于 CNN 的模型在使用卫星或航拍图像解决土地分类问题时具有较高精度。尽管这些模型精度高，但通常伴随着较大的内存需求。另一方面，对于诸如部署在无人 aerial 车辆上、内存空间有限的应用，期望具有小尺寸模型。遗憾的是，小尺寸 CNN 模型无法像大尺寸版本那样提供高准确率。在本研究中，我们提出了一种通过向 CNN 模型注入传统特征来提升其准确率（尤其是小尺寸模型）的新方法。为检验所提方法的有效性，我们将其应用于 SqueezeNet、MobileNetV2、ShuffleNetV2、VGG16 和 ResNet50V2 这些尺寸从 0.5 MB 到 528 MB 的 CNN 模型。我们使用样本均值、灰度共生矩阵特征、Hu 矩、局部二值模式、方向梯度直方图和颜色不变量作为注入的传统特征。我们在 EuroSAT 数据集上测试了所提方法以执行土地分类。实验结果表明，所提方法显著提升了土地分类准确率，尤其当应用于小尺寸 CNN 模型时。
引用
@article{arxiv.2207.10368,
title = {Land Classification in Satellite Images by Injecting Traditional Features to CNN Models},
author = {Mehmet Cagri Aksoy and Beril Sirmacek and Cem Unsalan},
journal= {arXiv preprint arXiv:2207.10368},
year = {2023}
}