उच्च-रिज़ॉल्यूशन उपग्रह छवि दृश्य वर्गीकरण के लिए मल्टीस्केल गहरे विशेषताओं का अध्ययन

इस पत्र में, हम उच्च-रिज़ॉल्यूशन उपग्रह छवि दृश्य वर्गीकरण के लिए एक मल्टीस्केल गहरे विशेषता सीखने की विधि प्रस्तावित करते हैं। विशेष रूप से, हम पहले मूल उपग्रह छवि को कई विभिन्न पैमानों में परिवर्तित करते हैं। प्रत्येक पैमाने में छवियों का उपयोग एक गहरे संलग्नक न्यूरल नेटवर्क (DCNN) को प्रशिक्षित करने के लिए किया जाता है। हालाँकि, एक साथ कई DCNNs को प्रशिक्षित करना समय लेने वाला है। इस समस्या का समाधान करने के लिए, हम स्थानिक पिरामिड पूलिंग (SPP-net) के साथ DCNN की खोज करते हैं। चूंकि विभिन्न SPP-nets में समान संख्या में पैरामीटर होते हैं, जो समान प्रारंभिक मूल्यों को साझा करते हैं, और पूरी तरह से जुड़े परतों में केवल पैरामीटर को ठीक करना प्रत्येक नेटवर्क की प्रभावशीलता सुनिश्चित करता है, जिससे प्रशिक्षण प्रक्रिया तेजी से गति पकड़ती है। फिर, मल्टीस्केल उपग्रह छवियों को उनके संबंधित SPP-nets में क्रमशः फीड किया जाता है ताकि मल्टीस्केल गहरे विशेषताओं को निकाला जा सके। अंततः, ऐसी विशेषताओं के सर्वोत्तम संयोजन को स्वचालित रूप से सीखने के लिए एक मल्टीपल कर्नेल सीखने की विधि विकसित की गई है। दो कठिन डेटा सेटों पर प्रयोग बताते हैं कि प्रस्तावित विधि अन्य अत्याधुनिक विधियों की तुलना में उचित प्रदर्शन प्राप्त करती है।