Satellite-Net：基于深度学习从卫星影像中自动提取土地覆盖指标
计算机视觉与模式识别
2024-10-08 v1 机器学习
图像与视频处理
摘要
本文通过深度学习（DL）解决卫星图像土地覆盖分类的挑战。土地覆盖旨在检测区域的物理特征，并估算某一类实体（植被、住宅建筑、工业区、森林区域、河流、湖泊等）所占土地的比例。DL 是大数据分析尤其是计算机视觉的新范式。由于高度自动化和计算性能，DL 在面向土地覆盖目的的图像分类中具有巨大潜力。特别是，卷积神经网络（CNNs）的发明是该领域进展的基础。在 [1] 中，联合国全球工作组的卫星任务团队描述了迄今为止在使用地球观测用于官方统计方面所取得的成果。然而，在该研究中，CNNs 尚未被用于影像的自动分类。本工作研究了 CNNs 在土地覆盖指标估算中的使用，提供了首批有前景的结果的证据。特别地，本文提出了一种称为 Satellite-Net 的定制模型，能够在测试集上达到高达 98% 的准确率。
引用
@article{arxiv.1907.09423,
title = {Satellite-Net: Automatic Extraction of Land Cover Indicators from Satellite Imagery by Deep Learning},
author = {Eleonora Bernasconi and Francesco Pugliese and Diego Zardetto and Monica Scannapieco},
journal= {arXiv preprint arXiv:1907.09423},
year = {2024}
}
备注
New Techniques and Technologies for Statistics 2019, Brussels