Deep Learning zur Merkmalsextraktion in der Fernerkundung: Eine Fallstudie zur Klassifizierung von Luftbildszenen

Die Szenenklassifizierung basierend auf Bildern ist in vielen Systemen und Anwendungen im Bereich der Fernerkundung von wesentlicher Bedeutung. Das wissenschaftliche Interesse an der Szenenklassifizierung aus ferngestellten Bildern nimmt zu, und viele Datensätze und Algorithmen werden entwickelt. Die Einführung von konvolutionalen neuronalen Netzwerken (CNN) und anderen Techniken des Deep Learning hat zu erheblichen Fortschritten bei der Genauigkeit der Klassifizierung von Bildszenen in solchen Systemen beigetragen. Um die Szene aus Luftbildern zu klassifizieren, verwendeten wir eine zweistreamige Deep-Architektur. Wir führten den ersten Teil der Klassifizierung, die Merkmalsextraktion, mit vortrainierten CNNs durch, die tiefere Merkmale aus verschiedenen Netzwerkebenen der Luftbilder extrahieren: der durchschnittlichen Pooling-Ebene oder einigen der vorhergehenden konvolutionalen Schichten. Anschließend wendeten wir die Merkmalsverkettung auf die extrahierten Merkmale aus verschiedenen neuronalen Netzwerken an, nachdem eine Dimensionsreduktion an enormen Merkmalsvektoren durchgeführt wurde. Wir experimentierten intensiv mit verschiedenen CNN-Architekturen, um optimale Ergebnisse zu erzielen. Schließlich verwendeten wir die Support Vector Machine (SVM) zur Klassifizierung der verketteten Merkmale. Die Wettbewerbsfähigkeit der untersuchten Technik wurde an zwei realen Datensätzen evaluiert: UC Merced und WHU-RS. Die erzielten Klassifizierungsgenauigkeiten zeigen, dass die betrachtete Methode im Vergleich zu anderen hochmodernen Techniken wettbewerbsfähige Ergebnisse liefert.