MODAMS:为卫星图像集设计基于多式物体检测的增强模型

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 超光谱卫星图像的分类需要高效的增强技术.
• 现有的模型缺乏适应性和图像特定参数的考虑,限制了效率.
• 动态带融合和静态深度学习增强是不够的.

研究的目的:

• 为超光谱卫星图像提出一种基于多式物体检测的新型增强模型.
• 通过优化频段选择和增强策略来提高分类性能.
• 克服现有的静态和非自适应增强方法的局限性.

主要方法:

• 定制的YOLO (你只看一次) 对象检测在高光谱波段.
• 级联双生成对抗网络 (cdGAN) 用于对象级重要性的估计.
• 象群优化 (EHO) 用于高光谱频段选择和火优化器 (FFO) 用于增强控制.
• 增量学习 (IL) 层用于持续改进准确性.

主要成果:

• 将分类准确度提高了8.5%.
• 提高了4.3%的精度和6.5%的回忆.
• 与现有方法相比,分类延迟减少了2.9%.

结论:

• 拟议的多式联运物体检测模型显著提高了高光谱卫星图像的分类.
• 集成EHO,FFO和IL优化了增强和频段选择,以提高性能.
• 这种方法为在各种应用中进行卫星图像分析提供了更有效,更准确的解决方案.