ViGEO：地球观测中视觉图神经网络的评估
计算机视觉与模式识别
2024-02-16 v1
摘要
卫星任务与地球观测（EO）系统是环境监测、灾难事件及时识别、以及自然资源与人造资产（如植被、水体、森林及建筑物）长期监测的基础资源。不同的 EO 任务能够收集多个光谱波段的信息，例如 MODIS、Sentinel-1 和 Sentinel-2。因此，鉴于机器学习、计算机视觉的最新进展以及标注数据的可用性，研究人员已证明利用深度神经网络实现土地利用监测系统和遥感图像分类的可行性与精度。此类系统可协助领域专家和政府进行持续的环境监测，从而在发生灾难性事件（如偏远地区的森林野火）时实现及时干预。尽管计算机视觉领域近期取得了进展，但许多工作仍将其分析局限于卷积神经网络（CNNs），以及近期的视觉 Transformer（ViTs）。鉴于图神经网络（GNNs）在非图数据（如时间序列和图像）上取得的成功，我们研究了一种近期提出的视觉 GNN 架构（ViG）在土地覆盖分类任务中的性能。实验结果表明，ViG 在多类和多标签分类场景中达到了最先进（SOTA）的性能，在大规模基准测试中超越了 ViT 和 ResNet。
引用
@article{arxiv.2402.09962,
title = {ViGEO: an Assessment of Vision GNNs in Earth Observation},
author = {Luca Colomba and Paolo Garza},
journal= {arXiv preprint arXiv:2402.09962},
year = {2024}
}
备注
Accepted at SSTDM 2023 workshop, held in conjunction with ICDM 2023 conference