光学衛星画像を用いた転移学習によるResNetとCBAMを統合したシップ分類

本研究は、光学リモートセンシング衛星画像を用いた効果的なシップ分類のための新しい転移学習フレームワークを提案する。深層畳み込みニューラルネットワークモデルのResNet50にConvolutional Block Attention Module (CBAM)を統合することで、性能を向上させている。CBAM により、モデルは画像の重要な特徴に注目することができ、船舶と背景の微妙な違いをより良く識別できるようになる。さらに、特定のタスクのために事前学習済みのモデルを微調整する転移学習アプローチを採用し、多様な種類の船舶を正確に分類することができる。実験結果は、提案フレームワークの有効性を実証し、光学リモートセンシング画像を用いたシップ分類で94%の高い分類精度を達成し、既存の手法を上回る性能を示している。