使用卷积神经网络（CNN）与迁移学习技术的遥感图像分类
计算机视觉与模式识别
2025-03-05 v1
摘要
本研究调查了描绘输电塔、森林、农田和山脉的航拍图像分类。为了完成分类任务，使用卷积神经网络（CNN）架构从输入图像中提取特征。然后，使用Softmax对图像进行分类。为了测试模型，我们以90的批大小运行了十个epoch，使用Adam优化器，学习率为0.001。训练和评估均使用一个数据集进行，该数据集融合了从Google卫星图像中自行收集的图片与MLRNet数据集。该综合数据集包含10,400张图像。我们的研究表明，迁移学习模型，尤其是MobileNetV2，在景观分类中表现良好。这些模型在精度和效率之间取得了良好的平衡，是实际应用的理想选择；我们构建的CNN模型总体准确率达到87%。此外，通过利用预训练的VGG16和MobileNetV2模型作为迁移学习的起点，我们获得了更高的准确率。具体而言，VGG16达到了90%的准确率和0.298的测试损失，而MobileNetV2以96%的准确率和0.119的测试损失优于这两种模型；结果证明了采用MobileNetV2进行迁移学习在分类输电塔、森林、农田和山脉方面的有效性。
引用
@article{arxiv.2503.02510,
title = {Remote Sensing Image Classification Using Convolutional Neural Network (CNN) and Transfer Learning Techniques},
author = {Mustafa Majeed Abd Zaid and Ahmed Abed Mohammed and Putra Sumari},
journal= {arXiv preprint arXiv:2503.02510},
year = {2025}
}
备注
This paper is published in Journal of Computer Science, Volume 21 No. 3, 2025. It contains 635-645 pages