AeroRIT

我们研究了应用卷积神经网络 (CNN) 体系结构来促进空中高光谱场景的理解，并提出了一个新的高光谱数据集-aerorit，该数据集足够大，可以进行CNN训练。迄今为止，大多数高光谱机载设备都局限于植被和道路的各个子类别，该场景引入了两个新类别: 建筑物和汽车。据我们所知，这是第一个具有近700万个像素注释的综合大规模高光谱场景，用于识别汽车，道路和建筑物。我们通过密集语义分割的任务来比较三种流行的体系结构 (SegNet，U-Net和Res-U-Net) 的性能，以实现场景理解和对象识别，从而为场景建立基准。为了进一步加强网络，我们添加了挤压和激励块以实现更好的通道交互，并使用自我监督学习来实现更好的编码器初始化。航空高光谱图像分析仅限于具有有限的训练/测试拆分功能的小型数据集，我们相信AeroRIT将通过更复杂的对象分布来帮助推动该领域的研究。