Unifying Remote Sensing Image Retrieval and Classification with Robust Fine-tuning

要約

高解像度リモートセンシング画像解析の進歩は、現在、ディープラーニング手法のトレーニングに十分な注釈付きデータを集めることの難しさによって阻害されており、様々な小規模データセットと関連するデータセット固有の手法を生み出している。さらに、分類や検索といった典型的なタスクは、標準的なベンチマークやトレーニングデータセットでの体系的な評価が行われていないため、耐久性があり一般化可能な科学的貢献を特定することが困難です。我々は、垂直・斜め方向の航空画像を含む、研究コミュニティが利用可能な新しい大規模な訓練・テストデータセットSF300と、関連する微調整手法により、リモートセンシング画像の検索と分類を統一することを目的とする。さらに、グローバル記述子に対する新しい敵対的微調整法を提案する。本フレームワークは、9つの異なるデータセットにおいて、ImageNetの事前学習済みベースラインと比較して、検索と分類の性能を系統的に向上させることを示し、現在、他に比較する方法がないことを明らかにする。

要約(オリジナル)

Advances in high resolution remote sensing image analysis are currently hampered by the difficulty of gathering enough annotated data for training deep learning methods, giving rise to a variety of small datasets and associated dataset-specific methods. Moreover, typical tasks such as classification and retrieval lack a systematic evaluation on standard benchmarks and training datasets, which make it hard to identify durable and generalizable scientific contributions. We aim at unifying remote sensing image retrieval and classification with a new large-scale training and testing dataset, SF300, including both vertical and oblique aerial images and made available to the research community, and an associated fine-tuning method. We additionally propose a new adversarial fine-tuning method for global descriptors. We show that our framework systematically achieves a boost of retrieval and classification performance on nine different datasets compared to an ImageNet pretrained baseline, with currently no other method to compare to.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL