利用新型深度学习方法进行遥感数据场景分类
计算机视觉与模式识别
2025-07-01 v1 机器学习
摘要
遥感图像中的场景分类(SC)是一个重要课题,在灾害控制、生态观测、城市建筑等不同领域具有广泛影响。然而,其众多应用使得从远距离观测数据中实现高精度的场景分类被证明是困难的。这是因为传统的深度学习模型需要具有高多样性和高噪声水平的大型数据库来捕获重要的视觉特征。为解决这些问题,本研究提出了一种创新技术,称为乌贼优化双向循环神经网络(CO-BRNN),用于遥感数据中的场景类型分类。研究将CO-BRNN的性能与现有技术进行了比较,包括多层感知器-卷积神经网络(MLP-CNN)、卷积神经网络-长短期记忆(CNN-LSTM)、长短期记忆-条件随机场(LSTM-CRF)、基于图的方法(GB)、多标签图像检索模型(MIRM-CF)以及卷积神经网络数据增强(CNN-DA)。结果表明,CO-BRNN达到了97%的最高准确率,其次是LSTM-CRF(90%)、MLP-CNN(85%)和CNN-LSTM(80%)。该研究强调了物理验证对于确保卫星数据效率的重要性。
引用
@article{arxiv.2506.22939,
title = {Utilizing a Novel Deep Learning Method for Scene Categorization in Remote Sensing Data},
author = {Ghufran A. Omran and Wassan Saad Abduljabbar Hayale and Ahmad AbdulQadir AlRababah and Israa Ibraheem Al-Barazanchi and Ravi Sekhar and Pritesh Shah and Sushma Parihar and Harshavardhan Reddy Penubadi},
journal= {arXiv preprint arXiv:2506.22939},
year = {2025}
}