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

要約

本研究では、高解像度の光学リモートセンシング衛星画像を用いた効果的な船舶分類のための新しい伝達学習フレームワークを提案する。このフレームワークは、深層畳み込みニューラルネットワークモデルResNet50をベースとし、性能を向上させるために畳み込みブロック注意モジュール（Convolutional Block Attention Module：CBAM）を組み込んでいる。CBAMは、モデルが画像中の顕著な特徴に注目することを可能にし、船舶と背景の微妙な違いをより識別できるようにする。さらに、本研究では、特定のタスクのために事前に訓練されたモデルを微調整することにより、多様なタイプ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する。実験結果は、光学リモートセンシング画像を用いた船舶分類における提案フレームワークの有効性を示し、5つのクラスで94%という高い分類精度を達成し、既存の手法を凌駕した。本研究は、海洋監視・管理、違法漁業検知、海上交通監視への応用が期待される。

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, DeepL