Landnutzungsklassifikation in Fernerkundungsbildern mittels Convolutional Neural Networks

Wir untersuchen den Einsatz von Convolutional Neural Networks für die semantische Klassifikation von Fernerkundungsszenen. Zwei kürzlich vorgeschlagene Architekturen, CaffeNet und GoogLeNet, werden mit drei verschiedenen Lernmodalitäten übernommen. Neben dem herkömmlichen Training von Grund auf greifen wir auf vorab trainierte Netzwerke zurück, die nur auf die Ziel Daten feinabgestimmt werden, um Überanpassungsprobleme zu vermeiden und die Designzeit zu reduzieren. Experimente mit zwei Fernerkundungsdatensätzen, die deutlich unterschiedliche Eigenschaften aufweisen, belegen die Wirksamkeit und breite Anwendbarkeit der vorgeschlagenen Lösung, die eine signifikante Leistungsverbesserung gegenüber allen aktuellen Referenzen garantiert.