높은 해상도의 원격 탐사 이미지를 위한 장면 분류의 깊은 합성곱 신경망 전이

효율적인 이미지 표현 학습은 원격 탐사 이미지의 장면 분류 작업의 핵심입니다. 기존의 장면 분류 작업을 해결하기 위한 방법은 낮은 수준의 수작업 특징 또는 비지도 특징 학습을 기반으로 한 특징 코딩 접근법으로, 제한된 표현 능력을 가진 중간 수준의 이미지 특징만 생성할 수 있어 더 나은 성능을 달성하는 데 본질적으로 제약이 있습니다. 최근 대규모 데이터셋에서 훈련한 계층적 구조인 깊은 합성곱 신경망(CNNs)은 물체 인식 및 탐지에서 놀라운 성능을 보여주었습니다. 그러나 이러한 깊은 합성곱 신경망을 고해상도 원격 탐사(HRRS) 장면 분류에 어떻게 사용할 것인지에 대해서는 아직 명확하지 않습니다. 본 논문에서는 HRRS 장면 분류를 위해 이러한 성공적으로 사전 훈련된 CNN에서 특징을 전이하는 방법을 조사합니다. 우리는 서로 다른 계층에서 CNN 특징을 추출하여 이미지 특징을 생성하는 두 가지 시나리오를 제안합니다. 첫 번째 시나리오에서는 완전 연결 계층에서 추출한 활성화 벡터를 최종 이미지 특징으로 간주하고, 두 번째 시나리오에서는 마지막 합성곱 계층에서 여러 배율의 밀집 특징을 추출한 후 일반적으로 사용되는 특징 코딩 접근법을 통해 밀집 특징을 전역 이미지 특징으로 인코딩합니다. 두 개의 공개 장면 분류 데이터셋에 대한 광범위한 실험 결과, 제안된 두 시나리오에서 얻은 이미지 특징은 간단한 선형 분류기와 함께 사용하더라도 뛰어난 성능을 발휘하고 최신 기술의 성능을 상당히 향상할 수 있음을 보여줍니다. 결과는 사전 훈련된 CNN에서 얻은 특징이 HRRS 데이터셋에 잘 일반화되고 낮은 수준 및 중간 수준의 특징보다 더 표현력이 뛰어난 것을 나타냅니다. 더욱이, 우리는 더 나은 성능을 위해 서로 다른 CNN 모델에서 추출한 특징을 잠정적으로 결합합니다.