Overhead-MNIST：图像分类的机器学习基线
计算机视觉与模式识别
2021-10-22 v2 人工智能
机器学习
摘要
我们对二十三种机器学习算法进行训练并打分，以建立基线对比指标，并选出一种值得嵌入任务关键型卫星成像系统的图像分类算法。Overhead-MNIST 数据集是一组卫星图像，其风格类似于机器学习文献中 ubiquitous 的 MNIST 手写数字。在 PyCaret 综合对比中，CatBoost 分类器、Light Gradient Boosting Machine 和 Extreme Gradient Boosting 模型取得了最高的准确率、曲线下面积（AUC）和 F1 分数。独立评估表明深度卷积架构最具前景。我们给出总体最佳性能算法的结果作为边缘可部署性和未来性能提升的基线：一个卷积神经网络（CNN）在未见测试数据上取得 0.965 的分类准确率。
引用
@article{arxiv.2107.00436,
title = {Overhead-MNIST: Machine Learning Baselines for Image Classification},
author = {Erik Larsen and David Noever and Korey MacVittie and John Lilly},
journal= {arXiv preprint arXiv:2107.00436},
year = {2021}
}
备注
6 pages; 8 figures, 2 tables