Klassifikation von Schiffen in Satellitenbildern mit gewichteten "Bag of Visual Words"

Die Klassifikation von Schiffstypen in maritimen Bildern ist ein herausforderndes Problem und hat Anwendungen in vielen militärischen und Überwachungsbereichen. Die Fähigkeit, ein Schiff korrekt zu klassifizieren, variiert erheblich je nach seinem Erscheinungsbild, das wiederum von externen Faktoren wie Beleuchtung oder Wetterbedingungen, Betrachtungsgeometrie und Seestärke beeinflusst wird. Die Schwierigkeit, Schiffe zu klassifizieren, variiert auch zwischen verschiedenen Schiffstypen, da einige Schiffstypen eine größere Variabilität innerhalb der Klasse zeigen als andere. In unserer vorherigen Arbeit haben wir gezeigt, dass die "Bag of Visual Words" (V-BoW) eine effektive Merkmalsdarstellung für diese Klassifikationsaufgabe im maritimen Bereich war. Die V-BoW-Merkmalsdarstellung ist analog zur "Bag of Words" (BoW)-Darstellung, die in der Informationswiedergewinnung (IR) in Text- oder natürlichen Sprachverarbeitungsanwendungen (NLP) verwendet wird. Es wurde gezeigt, dass die Leistung der BoW-Merkmalsdarstellung in textuellen IR-Anwendungen erheblich verbessert werden kann, indem geeignete Termgewichtungen wie log-Termfrequenz, inverse Dokumentfrequenz usw. angewendet werden. Angesichts der engen Entsprechung zwischen textuellen BoW (T-BoW) und V-BoW-Merkmalsdarstellungen schlagen wir vor, mehrere bekannte Termgewichtungsverfahren aus dem Text-IR-Bereich auf die V-BoW-Merkmalsdarstellung anzuwenden, um ihre Fähigkeit zur Unterscheidung zwischen Schiffstypen zu erhöhen.