A Feature Engineering Framework for High-Precision Land Use and Land Cover Classification Using Remote Sensing Images
U. M. Prakash · M. Eliazer · Rajamohan Parthasarathy 等 6 人
提出EODFE-HPLULC框架，结合YOLOv12、EfficientNet-B5和深度信念网络实
YOLOv12目标检测、EfficientNet-B5特征提取、深度信念网络分类
在遥感卫星图像数据集上分类准确率达99.14%，优于近期方法。
可探索轻量化模型在边缘设备部署，或迁移至多时相作物分类与变化检测任务。
提出融合YOLOv12与EfficientNet-B5的遥感LULC分类框架，方法新颖、精度数据明确，对农业遥感监测有参考价值，但属学术论文、影响面偏细分领域。
准确的土地利用/土地覆盖（LULC）分类对于高效管理自然资源以及理解天气条件如何改变环境具有重要意义。为实现精确有效的LULC分类，研究人员需要更高质量的数据库和稳健的分类模型。随着分类模型、地理空间分析工具和卫星数据日益普及，系统评估卫星数据与分类方法的不同组合，以帮助选择LULC分类的最佳方案，显得至关重要。当前，深度学习（DL）算法已广受欢迎，并成为遥感研究中数据处理的新标准。DL架构因其在分类任务和其他机器视觉应用中的卓越性能而备受关注。基于DL的超高分辨率卫星图像分类是一项重要任务，可为各类地理空间应用，尤其是LULC制图，提供有价值的信息。本文提出了一种用于卫星遥感的新型增强目标检测与特征工程高精度土地利用与土地覆盖（EODFE-HPLULC）算法。EODFE-HPLULC方法的主要目的是展示其在实际遥感应用中实现高精度分类的有效性。在目标检测方面，可部署YOLOv12以快速、准确地识别地物特征。接下来，EfficientNet-B5模型作为特征工程的主干网络，从检测到的目标中提取高层次的判别性特征。最后，深度信念网络模型执行LULC分类。为评估EODFE-HPLULC模型丰富的分类结果，我们在基准数据集上开展了一系列全面的实验。综合对比结果表明，EODFE-HPLULC模型优于近期技术，在遥感卫星图像数据集上达到了99.14%的分类准确率。