3 个月前

遥感领域的领域内表示学习

遥感领域的领域内表示学习

摘要

鉴于遥感技术的重要性,令人意外的是,表示学习领域对此关注甚少。为解决这一问题,并在该领域建立基准模型与统一的评估协议,我们以标准化形式提供了5个多样化遥感数据集的简化访问方式。具体而言,我们研究了域内表示学习方法,旨在构建通用的遥感表示,并探索哪些数据集特性对于遥感表示学习而言具有重要意义。所建立的基准模型在这些数据集上均达到了当前最优的性能水平。

基准测试

基准方法指标
image-classification-on-eurosatResNet50
Accuracy (%): 99.2
image-classification-on-resisc45ResNet50
Top 1 Accuracy: 96.83
image-classification-on-so2sat-lcz42ResNet50
Accuracy: 63.25
multi-label-image-classification-onResNet50
mAP (macro): 75.36
scene-classification-on-uc-merced-land-useResNet50
Accuracy (%): 99.61

用 AI 构建 AI

从想法到上线——通过免费 AI 协同编程、开箱即用的环境和市场最优价格的 GPU 加速您的 AI 开发

AI 协同编程
即用型 GPU
最优价格
立即开始

Hyper Newsletters

订阅我们的最新资讯
我们会在北京时间 每周一的上午九点 向您的邮箱投递本周内的最新更新
邮件发送服务由 MailChimp 提供
遥感领域的领域内表示学习 | 论文 | HyperAI超神经