Overhead MNIST：一个基准卫星数据集
计算机视觉与模式识别
2021-02-09 v1 机器学习
摘要
本研究呈现了 10 种重要地物的俯视视图，并遵循最流行机器学习任务（基于 MNIST 的数字识别）的一般格式要求。该数据集提供从超过一百万个人工标注和筛选的示例中抽取的公开基准。本工作概述了关键的多类地物识别任务，并与手写体、癌症检测和零售数据集方面的已有工作相对应。一种采用迁移学习和卷积神经网络（MobileNetV2）的原型深度学习方法以平均 96.7% 的准确率正确识别十类俯视对象。该模型超过了 93.9% 的峰值人类表现。对于升级卫星影像与地物识别，这一新数据集有益于灾害救援、土地利用管理及其他传统遥感任务等多样化工作。本工作扩展了卫星基准的新能力，以识别可能在小型卫星上星载运行的高效紧凑算法，这是未来多传感器星座的一项实际任务。该数据集可在 Kaggle 和 Github 上获取。
引用
@article{arxiv.2102.04266,
title = {Overhead MNIST: A Benchmark Satellite Dataset},
author = {David Noever and Samantha E. Miller Noever},
journal= {arXiv preprint arXiv:2102.04266},
year = {2021}
}