ResNet with Integrated Convolutional Block Attention Module for Ship Classification Using Transfer Learning on Optical Satellite Imagery

要約

この研究では、高解像度の光学リモートセンシング衛星画像を使用して船舶を効果的に分類するための新しい転移学習フレームワークを提案します。
このフレームワークは、ディープ畳み込みニューラル ネットワーク モデル ResNet50 に基づいており、パフォーマンスを向上させるために畳み込みブロック アテンション モジュール (CBAM) が組み込まれています。
CBAM により、モデルは画像内の顕著な特徴に注意を向けることができ、船と背景の間の微妙な違いをより適切に識別できるようになります。
さらに、この研究では、特定のタスクに合わせて事前トレーニングされたモデルを微調整することで、さまざまな種類の船舶を正確に分類するために調整された転移学習アプローチを採用しています。
実験結果は、光学リモートセンシング画像を使用した船舶分類における提案されたフレームワークの有効性を実証し、5つのクラスにわたって94%という高い分類精度を達成し、既存の方法を上回りました。
この研究は、海上の監視と管理、違法漁業の検出、海上交通の監視に応用できる可能性を秘めています。

要約(オリジナル)

This study proposes a novel transfer learning framework for effective ship classification using high-resolution optical remote sensing satellite imagery. The framework is based on the deep convolutional neural network model ResNet50 and incorporates the Convolutional Block Attention Module (CBAM) to enhance performance. CBAM enables the model to attend to salient features in the images, allowing it to better discriminate between subtle differences between ships and backgrounds. Furthermore, this study adopts a transfer learning approach tailored for accurately classifying diverse types of ships by fine-tuning a pre-trained model for the specific task. Experimental results demonstrate the efficacy of the proposed framework in ship classification using optical remote sensing imagery, achieving a high classification accuracy of 94% across 5 classes, outperforming existing methods. This research holds potential applications in maritime surveillance and management, illegal fishing detection, and maritime traffic monitoring.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google