遥感图像土地利用场景分类中的 Vision Transformer 与卷积神经网络

从遥感影像进行土地利用场景分类 (LUSC) 在环境监测、城市规划和可持续资源管理中发挥着关键作用。近年来，深度学习方法显著推进了该领域的技术进步，卷积神经网络 (CNN) 因其强大的局部空间特征捕获能力而主导该领域。然而，Vision Transformer (ViT) 的出现引入了新的范式，通过自注意力机制建模长程依赖， potentially 实现更好的全局上下文理解。本文对遥感地表利用场景分类中 Vision Transformer 与 CNN 架构进行比较评估。我们评估了代表性 CNN 模型（如 AlexNet）以及 Vision Transformer (ViT)，并使用基准遥感数据集进行实验，包括 UC Merced 土地利用数据集和 EuroSAT 土地利用数据集。该研究 examines 分类准确率、精确率、召回率、F1 分数以及计算复杂度，以提供全面的性能比较。实验结果表明，CNN 在训练样本有限且局部纹理特征突出的数据集上表现稳健，而 Vision Transformer 在训练数据充足时，能够捕获复杂场景中的全局空间关系，表现出优势。然而，ViT 通常需要更大的计算资源和更大的训练数据集才能实现最佳性能。本研究的发现为理解两种架构的优势与局限性提供了见解，并为选择合适的模型用于遥感地表利用场景分类应用提供了指导。