DeepSat - 卫星影像的学习框架

卫星图像分类是一个具有挑战性的问题，它位于遥感、计算机视觉和机器学习的交汇点。由于卫星数据固有的高变异性，大多数现有的目标分类方法都不适合处理卫星数据集。此外，缺乏一个带有多个类别标签的单一高分辨率标注数据集也阻碍了卫星图像分析的进步。本文的贡献有两方面：（1）首先，我们介绍了两个新的卫星数据集，分别称为SAT-4和SAT-6；（2）其次，我们提出了一种分类框架，该框架从输入图像中提取特征，对其进行归一化处理，并将归一化的特征向量输入到深度信念网络进行分类。在SAT-4数据集上，我们的最佳网络实现了97.95%的分类精度，并且比三种最先进的目标识别算法——深度信念网络、卷积神经网络和堆叠去噪自编码器——高出约11%。在SAT-6数据集上，该方法实现了93.9%的分类精度，并且比其他算法高出约15%。与随机森林分类器的对比研究表明，无监督学习方法在传统监督学习技术上具有优势。基于分布可分性准则和内在维度估计的统计分析进一步证实了我们的方法在学习更好的卫星图像表示方面的有效性。