A Robust and Low Complexity Deep Learning Model for Remote Sensing Image Classification

要約

このホワイト ペーパーでは、リモート センシング画像のシーンを識別するタスクであるリモート センシング画像分類 (RSIC) 用の堅牢で複雑度の低いディープ ラーニング モデルを紹介します。
特に、最初にさまざまな低複雑性を評価し、深層ニューラル ネットワークのベンチマークを行います。MobileNetV1、MobileNetV2、NASNetMobile、および EfficientNetB0 は、トレーニング可能なパラメーターの数が 500 万 (M) 未満です。
最適なネットワーク アーキテクチャを示した後、ネットワークの中間層から抽出された複数の特徴マップにアテンション スキームを適用することで、ネットワーク パフォーマンスをさらに向上させます。
アテンション スキームを使用してモデルのフットプリントを増やす問題に対処するために、量子化手法を適用して、最大 20 MB のメモリ占有量を満たします。
ベンチマーク データセット NWPU-RESISC45 で広範な実験を実施することにより、堅牢で複雑性の低いモデルを実現します。これは、最先端のシステムと非常に競争力があり、エッジ デバイスでの実際のアプリケーションの可能性があります。

要約(オリジナル)

In this paper, we present a robust and low complexity deep learning model for Remote Sensing Image Classification (RSIC), the task of identifying the scene of a remote sensing image. In particular, we firstly evaluate different low complexity and benchmark deep neural networks: MobileNetV1, MobileNetV2, NASNetMobile, and EfficientNetB0, which present the number of trainable parameters lower than 5 Million (M). After indicating best network architecture, we further improve the network performance by applying attention schemes to multiple feature maps extracted from middle layers of the network. To deal with the issue of increasing the model footprint as using attention schemes, we apply the quantization technique to satisfy the maximum of 20 MB memory occupation. By conducting extensive experiments on the benchmark datasets NWPU-RESISC45, we achieve a robust and low-complexity model, which is very competitive to the state-of-the-art systems and potential for real-life applications on edge devices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google