遥感图像的多标签分类

通过卫星相机获取地球表面大面积的信息，使我们能够看到站在地面上时看不到的更多内容。这有助于我们检测和监测一个区域的物理特征，如土地利用模式、大气状况、森林覆盖以及许多未列出的方面。所获得的图像不仅记录连续的自然现象，而且在应对严重森林砍伐这一全球挑战中也至关重要。其中亚马逊流域每年所占份额最大。恰当的数据分析将有助于在可持续健康大气下限制对生态系统和生物多样性的有害影响。本报告旨在通过各种机器学习和更优的深度学习模型，为亚马逊雨林的卫星图像块标注大气及各类土地覆盖或土地利用类别。评估基于 F2 指标进行，而损失函数方面我们同时使用了 sigmoid 交叉熵和 softmax 交叉熵。图像在使用预训练的 ImageNet 架构仅提取特征后，间接输入机器学习分类器。而对于深度学习模型，则通过迁移学习使用微调的 ImageNet 预训练模型的集成。我们迄今在 F2 指标上取得的最佳得分为 0.927。