
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-eurosat | ResNet50 | Accuracy (%): 99.2 |
| image-classification-on-resisc45 | ResNet50 | Top 1 Accuracy: 96.83 |
| image-classification-on-so2sat-lcz42 | ResNet50 | Accuracy: 63.25 |
| multi-label-image-classification-on | ResNet50 | mAP (macro): 75.36 |
| scene-classification-on-uc-merced-land-use | ResNet50 | Accuracy (%): 99.61 |