用于地球遥感和Foramnifera数据的多带图像的深度组合
Loris Nanni1, Sheryl Brahnam2, Matteo Ruta1
1Department of Information Engineering, University of Padova, 35139 Padova, Italy.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
本研究介绍了一组用于分类多带卫星图像的神经网络. 该方法显著提高了遥感和物种识别任务的准确性.
科学领域:
- 遥感 遥感 遥感 遥感
- 环境监测 环境监测
- 机器学习 机器学习
背景情况:
- 先进的传感器捕获高维多带图像,对于地球观测至关重要.
- 将这些复杂的数据集分类为准确性和效率带来了重大挑战.
研究的目的:
- 开发和评估一组神经网络,用于增强多带图像分类.
- 为了证明系统在卫星图像和物种识别方面的有效性.
主要方法:
- 使用了一组卷积神经网络 (CNN),包括ResNet50,MobileNetV2和DenseNet201.
- 开发定制的基于ResNet50和基于注意力的网络,用于直接的多频段图像输入.
- 使用 MATLAB 2024b 和 PyTorch 2.6.6 实现了该系统.
主要成果:
- 与现有的先进方法相比,实现了更高的分类准确性.
- 在物种级别识别浮游生物甲虫方面表现优于人类专家 (>92% vs. 83%).
- 在EuroSAT和LCZ42数据集上展示了最先进的性能.
结论:
- 使用多种神经网络架构进行集体学习,有效地处理复杂的多频段图像数据.
- 拟议的系统为遥感和生物分类任务提供了强大的解决方案.
