Несколько выстрелов глубокого обучения показывает перспективу для приложений дистанционного зондирования
12 июня 2025 г.Таблица ссылок
- Аннотация и введение
- Фон
- Тип данных датчика дистанционного зондирования
- Clarkmark Demote Sensing Dataets для оценки моделей обучения
- Метрики оценки для нескольких ударов дистанционного зондирования
- Недавние методы обучения в дистанционном зондировании
- Обнаружение и сегментация объекта на основе нескольких выстрелов в дистанционном зондировании
- Обсуждения
- Численные эксперименты нескольких выстрелов в наборе данных на основе БПЛА
- Объяснимый ИИ (XAI) в дистанционном зондировании
- Выводы и будущие направления
- Благодарности, декларации и ссылки
9 Численные эксперименты нескольких выстрелов в наборе данных на основе БПЛА
Чтобы решить точку 4 в разделе для обсуждения, для классификации сцены стихийных бедствий был использован метод состояния Art-Art (SOTA). Оценка включала в себя использование нескольких методов нескольких выстрелов, таких как сиамская и триплетная сеть, протонет [15], сеть отношений [81], соответствующая сеть [129], SimpleShot [130], зависимый от задачи адаптивная метрическая метрика (TADAM) [131], MAML [125], Meta-Transfer, обучение (MTL) [132] и лаборатория, инициативно, инициативно, инициально, и начал, и искал, и искалил, и начал, и искал, и искал, и искал, и искал, и начал, что было инициативно, и начало, что было поднасловлено и начало [133], что было поднасловлено и начало [133], что было представлено инициативно, и начало Наборы данных без применения. Цель исследования состояла в том, чтобы оценить эффективность этих методов в условиях дистанционного зондирования. Чтобы сравнить результаты, полученные из такого набора данных с результатами классификации изображений дистанционного зондирования на основе спутников, мы сравнили наши результаты с некоторыми методами, используемыми в оценке UC-MERC, выполняемой [69]; Для методов, не перечисленных там, мы выполнили моделирование, используя экспериментальное условие, как указано [69].
Мы провели 5-часовой 1-выстрел и 5-часовой 5-выстрел. Подход к оценке классификации. Набор данных подмножества AIDER состоит из 6433 изображений, классифицированных на 5 категорий, а именно обрушившихся зданий, пожаров, наводнений, дорожных несчастных случаев и нормальных (не-дисайских) классов, с 511, 521, 526, 485 и остальными изображениями соответственно. Подмножество набора данных несбалансировано, с большим количеством изображений в обычном классе, чем в других классах стихийных бедствий, подчеркивая потенциальные преимущества нескольких выстрелов подходов к обучению, как упоминалось в предыдущих разделах. В таблице 8 изображена коэффициента разделения на тестирование поезда и тестирования, адаптированное для каждого класса. Все изображения обрезаны до размера пикселя 224 × 224 и предварительно обработаны путем деления каждого исходного значения пикселя на 255. Скорость обучения для каждого алгоритма установлен как 0,001. RESNET12 выбирается в качестве основы извлечения функций для тадама, протонета, соответствующей сети, сети отношений, SimpleShot, MTL и галлюцинации метки. Для всех методов используется общая категориальная потери перекрестной энтропии, за исключением сети отношений, в которой использовалась средняя потерю ошибок. Чтобы решить проблему дисбаланса класса, образцы обучения и валидации были подвергнуты недостаточной выборке, используя модуль Randomundersampler, который был предоставлен в пакете библиотеки Imblearn. Все симуляции в этом наборе данных были проведены в общей сложности 200 эпох с использованием библиотеки Tensorflow Keras в Python, а платформа Google Colab Pro+ с единицами графической обработки Tesla A100, V100 и T4 (GPU) и тензора обработки (TPU) использовались для вычислений.
Для набора данных UC-MERC, помимо функций, упомянутых в разделе 4.2, 10 классов используются в качестве базового обучающего набора, 5 классов выделяются в качестве набора валидации, а остальные 6 классов используются в качестве нового тестового набора. В соответствии с [69] фигуры всех изображений обрезаны до 84 × 84 для извлечения признаков с использованием предлагаемого их энкодера функции, причем коэффициент импульса устанавливается до 0,1, а скорость обучения установлена 0,001. Из-за всех классов в UC-MERC, имеющих равные выборы на класс, методы обработки классов не являются
нужный. Еще раз, общая категориальная перекрестная энтропия используется в качестве функции потери, за исключением сети отношений, в которой использовалась средняя потерь ошибки.
В таблице 9 представлены результаты моделирования, проведенных в подмножестве AIDER с использованием нескольких выстрелов, упомянутых ранее. Таблица 10 Соответствующие результаты в наборе данных UC-MERC. Средняя точность и стандартное отклонение для 10 прогонов представлены для каждого метода. Для сиамской и триплетной сети результаты сообщаются только для 5-часовой оценки с 1 выстрелом, так как только 1 пара изображений сравнивается в соответствии с эпизодическим обучением (для триплетной сети все еще рассматривается изображение якоря и сравнивается с положительным и негативным изображением каждый за раз, так что 1 пара изображений все еще рассматривается). Было отмечено, что средняя точность для 5-часового 5-выстрела, как правило, выше, чем у 5-сетевого 1-выстрела подхода для всех методов, используемых в двух наборах данных, в соответствии с утверждением, сделанным ранее о сложности небольшого обучения с меньшим количеством снимков. Было обнаружено, что сиамская сеть превзошла как триплета, так и протонет, демонстрируя ее эффективность в извлечении и внедрении. В соответствии с тенденцией, наблюдаемой в предыдущем исследовании, MTL превзошел тадам и протонет в подмножестве UC-MERC, в то время как галлюцинация метки дала наивысшую производительность с метрическим значением более 81% в подмноге.
Авторы:
(1) Гао Ю Ли, Школа электротехники и электронных инженеров, Нанянг Технологический университет, 50 Нанянг -авеню, 639798, Сингапур (Gaoyu001@e.ntu.edu.sg);
(2) Плотина Танмой, Школа машиностроения и аэрокосмической инженерии, Технологический университет Наняна, 65 Нанянг Драйв, 637460, Сингапур и Департамент компьютерных наук, Университет Нью -Орлеана, Новый Орлеан, 2000 Лейкшор Драйв, LA 70148, США (США (США.tanmoy.dam@ntu.edu.sg);
(3) MD Meftahul Ferdaus, Школа электротехники и электронного инженера, Нанянг Технологический университет, 50 Nanyang Ave, 639798, Сингапур (mferdaus@uno.edu);
(4) Даниэль Пуйу Понар, Школа электротехники и электронных инженеров, Технологический университет Наняна, пр. Наняна, 639798, Сингапур (Epdpuiu@ntu.edu.sg);
(5) Vu N. Duong, Школа машиностроения и аэрокосмической инженерии, Nanyang Technological University, 65 Nanyang Drive, 637460, Сингапур (vu.duong@ntu.edu.sg)
Эта статья есть
Оригинал