elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Deep Learning Earth Observation Classification Using ImageNet Pre-trained Networks

Marmanis, Dimitrios und Datcu, Mihai und Esch, Thomas und Stilla, Uwe (2016) Deep Learning Earth Observation Classification Using ImageNet Pre-trained Networks. IEEE Geoscience and Remote Sensing Letters, 13 (1), Seiten 105-109. IEEE - Institute of Electrical and Electronics Engineers. doi: 10.1109/LGRS.2015.2499239. ISSN 1545-598X.

[img] PDF
1MB

Offizielle URL: http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=7342907

Kurzfassung

Deep learning methods such as convolutional neural networks (CNNs) can deliver highly accurate classification results when provided with large enough data sets and respective labels. However, using CNNs along with limited labeled data can be problematic, as this leads to extensive overfitting. In this letter, we propose a novel method by considering a pretrained CNN designed for tackling an entirely different classification problem, namely, the ImageNet challenge, and exploit it to extract an initial set of representations. The derived representations are then transferred into a supervised CNN classifier, along with their class labels, effectively training the system. Through this two-stage framework, we successfully deal with the limited-data problem in an end-to-end processing scheme. Comparative results over the UC Merced Land Use benchmark prove that our method significantly outperforms the previously best stated results, improving the overall accuracy from 83.1% up to 92.4%. Apart from statistical improvements, our method introduces a novel feature fusion algorithm that effectively tackles the large data dimensionality by using a simple and computationally efficient approach.

elib-URL des Eintrags:https://elib.dlr.de/99809/
Dokumentart:Zeitschriftenbeitrag
Titel:Deep Learning Earth Observation Classification Using ImageNet Pre-trained Networks
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Marmanis, DimitriosDimitrios.Marmanis (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datcu, Mihaimihai.datcu (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Esch, ThomasThomas.Esch (at) dlr.dehttps://orcid.org/0000-0002-5868-9045NICHT SPEZIFIZIERT
Stilla, Uwestilla (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Januar 2016
Erschienen in:IEEE Geoscience and Remote Sensing Letters
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:13
DOI:10.1109/LGRS.2015.2499239
Seitenbereich:Seiten 105-109
Herausgeber:
HerausgeberInstitution und/oder E-Mail-Adresse der HerausgeberHerausgeber-ORCID-iDORCID Put Code
Frery, Alejandroacfrery (at) gmail.comNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Verlag:IEEE - Institute of Electrical and Electronics Engineers
ISSN:1545-598X
Status:veröffentlicht
Stichwörter:deep learning, classification, pre-trained networks
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Vorhaben Fernerkundung der Landoberfläche (alt)
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Deutsches Fernerkundungsdatenzentrum > Landoberfläche
Institut für Methodik der Fernerkundung > Photogrammetrie und Bildanalyse
Hinterlegt von: Adam, Fathalrahman
Hinterlegt am:02 Dez 2015 12:40
Letzte Änderung:28 Nov 2023 08:36

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.