1、原文
BigEarthNet-MM: A large-scale, multimodal, multilabel benchmark archive for remote sensing image classification and retrieval.
https://ieeexplore.ieee.org/document/9552024
2、摘要
该文章介绍了多模式BigEarthNet(BigEarthNet-MM)基准存档,包括590,326对Sentinel-1和Sentinel-2图像补丁,用于支持多模态、多标签遥感(RS)图像检索和分类中的深度学习(DL)研究。BigEarthNet-MM中的每一对补丁都使用2018年CORINE土地覆盖(CLC)地图提供的多标签进行注释,该地图基于其主题上最详细的3级类别命名法。我们的初步研究表明,某些CLC类很难通过仅考虑(单一日期)BigEarthNet-MM图像来准确描述。在本文中,我们还介绍了一种替代类命名法,作为原始CLC标签的演变,以解决这个问题。这是通过根据BigEarthNet-MM图像的属性在19类的新命名法中解释和安排CLC3级命名法来实现的。在我们的实验中,我们通过考虑几个最先进的DL模型,展示了BigEarthNet-MM在多模态、多标签图像检索和分类问题方面的潜力。
我们还证明了经过训练的DL模型BigEarthNet-MM从头开始的表现优于在ImageNet上预训练的那些,尤其是在一些复杂的类别方面,包括农业和其他植被和自然环境。我们在https:bigearth.net上公开了所有数据和DL模型,为支持RS中多模态图像场景分类和检索问题的研究提供了重要资源。
3、正文
---------------------------------------------------------------
------------------------------------------------------------------------
-------------------------------------------------------------------
----------------------------------------------------------------------------
----------------------------------------------------------------------------------
4、结论
在本文中,我们展示了BigEarthNet-MM基准存档,其中包含590,326对Sentinel-1和Sentinel-2图像块,并采用新的基于CLC的类命名法,以更加公正地考虑所考虑图像的属性。BigEarthNet-MM在RS中使用DL方面取得了重大进展,为支持多模态、多标签RS图像场景分类和检索框架中的研究提供了有希望的方向。BigEarthNet-MM适用于评估基于DL的方法,用于1)从类不平衡的多模态数据中学习(因为LCLU类在BigEarthNet-MM中的表示不均等);2)迁移学习(因为BigEarthNetMM目前只包含来自少数欧洲国家的图像对);3)用于从大数据档案中发现信息的无监督、自监督和半监督多模态学习。
值得注意的是BigEarthNet-MM有局限性对于需要时间序列数据来准确描述LCLU类别的RS应用程序,例如非灌溉耕地和永久灌溉土地。我们还注意到,一些Sentinel-1图像块可能会受到由众所周知的射频干扰[16]或其他与数据集相关的问题引起的伪影的污染,这些问题与构建BigEarthNet-MM时应用的预处理步骤无关。最后,我们想指出的是,由于使用了CLC地图中的标签,BigEarthNet-MM存档可以扩展到更大的规模。在欧洲境内,注释成本为零。作为这项工作的未来发展,我们计划通过将BigEarthNetMM档案扩展到整个欧洲来丰富它。
5、参考文献
--------------------------------------------------------------------------------