اختبار الأداء وتوسيع النماذج العميقة للتعلم في تصنيف صور تغطية الأرض

أدى توفر كمّ هائل من صور كوبيرنيكوس سنتينل-2 إلى فتح فرص جديدة لاستغلال مناهج التعلم العميق (DL) في تصنيف صور استخدام الأراضي وتغطيتها (LULC). ومع ذلك، يُعدّ غياب مجموعة واسعة من التجارب المعيارية حاليًا معيقًا، أي نقص في نماذج التعلم العميق التي تم اختبارها على نفس مجموعة البيانات، باستخدام مجموعة موحدة وثابتة من المقاييس، وفي نفس البيئة المادية. في هذه الدراسة، نستخدم مجموعة بيانات BigEarthNet Sentinel-2 لإجراء أول تقييم معياري لنماذج التعلم العميق الحديثة المتطورة لمشكلة تصنيف صور استخدام الأراضي وتغطيتها متعددة العلامات ومتعددة الفئات، مع المساهمة بقائمة شاملة تضم 60 نموذجًا تم تدريبها. يشمل التقييم الشبكات العصبية التقليدية (CNNs) وكذلك الطرق غير التبادلية. ونختبر هندستي EfficientNets وWide Residual Networks (WRN)، مع التركيز على دقة التصنيف، ووقت التدريب، ومعدل الاستدلال. بالإضافة إلى ذلك، نقترح استخدام إطار عمل EfficientNet لتطبيق التوسيع المركب على نموذج WRN خفيف الوزن. وبإضافة آلية انتباه القناة الفعالة، برز النموذج المُعدّل الخفيف كأفضل نموذج حاليًا. حيث حقق دقة تصنيف أعلى بنسبة 4.5% في متوسط مؤشر F (F-Score) لجميع الفئات الـ19 من استخدام الأراضي وتغطيتها، مقارنة بنموذج المعيار ResNet50، مع عدد أقل بعشرة أضعاف من المعلمات القابلة للتدريب. نوفر إمكانية الوصول إلى جميع النماذج المدربة، بالإضافة إلى كودنا الخاص بالتدريب الموزع على عقد متعددة من وحدات معالجة الرسوميات (GPU). يمكن استخدام هذه المجموعة المتنوعة من المشغلات المدربة مسبقًا في التعلم الناقل (transfer learning) وتصميم النماذج السريعة في مهام الاستشعار عن بعد المختلفة التي تعتمد على بيانات سنتينل-2، بدلاً من الاعتماد على النماذج الأساسية المدربة على بيانات من مجال مختلف، مثل ImageNet. ونتحقق من ملاءمتها للتعلم الناقل عبر مجموعات بيانات متنوعة في الحجم. وحققت أفضل نموذج WRN أداءً متميزًا (71.1% في مؤشر F-Score) على مجموعة بيانات SEN12MS، مع التعرض لجزء ضئيل جدًا من مجموعة التدريب.