Core Concepts
Die Sensitivität von Modellen für die Klassifizierung von Landbedeckung in der Erdbeobachtung gegenüber Farb- und Texturverzerrungen wird untersucht.
Abstract
In diesem Artikel wird die Sensitivität von Modellen für die Klassifizierung von Landbedeckung in der Erdbeobachtung gegenüber Farb- und Texturverzerrungen untersucht. Es wird gezeigt, dass Modelle empfindlicher auf Texturverzerrungen als auf Farbverzerrungen reagieren. Die Ergebnisse bieten Einblicke in die Entwicklung robusterer Modelle für die Erdbeobachtung.
- Landbedeckungsklassifizierung und Veränderungserkennung sind wichtige Anwendungen der Fernerkundung.
- Tiefe neuronale Netzwerke haben beeindruckende Fähigkeiten bei der Verarbeitung von Satellitenbildern gezeigt.
- Modelle sind empfindlicher gegenüber Texturverzerrungen als gegenüber Farbverzerrungen.
- Die Ergebnisse können die Entwicklung robusterer Modelle in der Erdbeobachtung unterstützen.
Stats
Convolutional und transformerbasierte U-Net-Modelle sind State-of-the-Art für die Landbedeckungsklassifizierung.
CNNs trainiert auf ImageNet verlassen sich mehr auf Textur als auf Farbe oder Form.
Modelle sind empfindlicher gegenüber Texturverzerrungen als gegenüber Farbverzerrungen.
Quotes
"Modelle sind in der Regel empfindlicher gegenüber Texturverzerrungen als gegenüber Farbverzerrungen."
"Die Ergebnisse können die Entwicklung robusterer Modelle in der Erdbeobachtung unterstützen."