RSI-CB：基于众源数据的大规模遥感图像分类基准

近年来，深度卷积神经网络（DCNN）在自然图像识别中取得了突破性进展，原因有三：DCNN的通用逼近能力、大规模数据库（如ImageNet）以及GPU驱动的超级计算能力。与ImageNet和Places2相比，遥感领域仍缺乏大规模基准。本文提出一个基于海量、可扩展且多样化众源数据的遥感图像分类基准（RSI-CB）。利用众源数据（如OpenStreetMap（OSM）数据），遥感图像中的地物可通过兴趣点、OSM矢量数据或其他众源数据进行有效标注。标注后的图像可用于遥感图像分类任务。基于此方法，我们构建了一个全球大规模遥感图像分类基准。该基准包含两个子数据集，尺寸分别为256×256和128×128，因为不同DCNN需要不同图像尺寸。前者包含6个类别、35个子类，超过24,000张图像；后者包含6个类别、45个子类，超过36,000张图像。该地物分类体系依据中国土地利用分类国家标准定义，并受ImageNet层级机制启发。最后，我们进行大量实验，在手工特征（如尺度不变特征变换、颜色直方图、局部二值模式和GIST）和经典DCNN模型（如AlexNet、VGGNet、GoogLeNet和ResNet）上，将RSI-CB与SAT-4、SAT-6和UC-Merced数据集进行比较。