DeepSat V2：特征增强卷积神经网络在卫星图像分类中的应用

卫星图像分类是一个具有挑战性的问题，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，目前大多数目标分类方法都不适合处理卫星数据集。此外，缺乏一个包含多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。在本研究的初步版本中，我们介绍了两个新的高分辨率卫星图像数据集（SAT-4 和 SAT-6），并提出了基于“手工设计”特征和深度信念网络（DBN）的 DeepSat 框架用于分类。本文为扩展版，我们提出了一种端到端框架，该框架利用改进的架构，将卷积神经网络（CNN）与手工设计特征相结合（而不是使用基于 DBN 的架构）进行分类。我们的框架通过融合从手工设计特征和 CNN 特征图中获得的空间信息，分别在 SAT-4 和 SAT-6 数据集上实现了 99.90% 和 99.84% 的准确率，超过了所有其他最先进的结果。基于分布可分性准则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鲁棒性。