《Remote Sensing》:An Ensemble-Based Transfer Learning Framework Using EfficientNetV2 and MobileNetV2 for Satellite Image Classification of Wildfires
编辑推荐:
野火对生态系统、财产和人类生命构成重大威胁。尽管基于深度神经网络的迁移学习(TL)在卫星图像分类中展现出前景,但不同模型架构的性能可能存在差异。研究人员开发了一种基于集成的迁移学习框架,结合EfficientNetV2和MobileNetV2的预测结果,用于将
野火对生态系统、财产和人类生命构成重大威胁。尽管基于深度神经网络的迁移学习(TL)在卫星图像分类中展现出前景,但不同模型架构的性能可能存在差异。研究人员开发了一种基于集成的迁移学习框架,结合EfficientNetV2和MobileNetV2的预测结果,用于将卫星图像二分类为野火或无野火。该框架使用总体准确率、错误率和受试者工作特征曲线下面积(ROC AUC)进行评估。根据报告的结果,该集成模型取得了0.967的准确率、0.033的错误率和0.995的ROC AUC。相应地,EfficientNetV2的报告值分别为0.963、0.037和0.994,MobileNetV2则分别为0.962、0.038和0.992。这些结果表明,在评估数据集上,结合这两种架构对分类性能产生了适度的改进。为了评估该框架的泛化能力,需要使用独立且地理多样化的数据集进行进一步评估。
野火对生态系统、财产和人类生命构成严重威胁。森林在维持生物多样性、调节碳循环等方面具有重要作用,而野火可对植被、野生动物、空气质量及经济活动产生深远影响。有效的野火监测对于及时响应至关重要。遥感卫星能够覆盖大面积和难以进入的区域,是野火监测的重要数据来源。近年来,深度学习,尤其是卷积神经网络(CNN),在图像分类等领域取得了显著进展。然而,训练高质量模型需要大量标注数据,而获取此类数据往往成本高昂。迁移学习(TL)通过复用预训练模型的知识,可缓解标注数据不足的问题。但不同架构的迁移性能存在差异,且单一模型难以利用不同架构的互补信息。因此,本研究提出一种基于集成的迁移学习框架,结合EfficientNetV2和MobileNetV2的预测,用于野火/无野火卫星图像二分类,以探索是否能获得优于单一模型的分类性能。
研究人员使用Kaggle公开的Wildfire Prediction Dataset (Satellite Images)数据集,包含42,850张350×350像素卫星图像,其中22,710张标注为野火,20,140张标注为无野火;测试集包含6,299张图像(3,479张野火、2,820张无野火)。研究将图像调整为224×224,采用ImageNet预训练的EfficientNetV2和MobileNetV2作为骨干,冻结卷积层,并添加由全局平均池化、dropout(0.5)和sigmoid分类头构成的任务特定分类层。模型在Google Colab上使用Adam优化器(β1=0.9,β2=0.999)训练,并配合数据增强、早停和模型检查点。对于集成,使用静态加权平均组合两个模型输出的野火概率,权重在验证集上通过最大化F1分数确定并固定。评估指标包括总体准确率、错误率、ROC AUC等。所有基线模型采用相同实验协议。
结果如下:5.1 Experimental Results(实验结果):学习曲线显示EfficientNetV2的训练和验证准确率约0.940和0.954,MobileNetV2约0.929和0.950;EfficientNetV2的训练和验证损失约0.17和0.13,MobileNetV2约0.20和0.14。混淆矩阵分析表明,EfficientNetV2正确分类2,710张无野火和3,353张野火图像,MobileNetV2正确分类2,697张无野火和3,362张野火图像,而集成正确分类2,722张无野火和3,371张野火图像。5.2 Performance Comparison(性能比较):集成模型在测试集上取得最高总体准确率0.967、精确率0.972、召回率0.969、F1分数0.970和特异性0.965,同时具有最低的误报率0.035和错误率0.033,较两个单一模型有适度提升。5.3 Calibration Curve Comparison(校准曲线比较):校准曲线显示各概率区间内预测概率与观测野火频率存在差异,目视检查无法断定哪个模型校准更优。5.4 ROC Curves(ROC曲线):集成模型的ROC AUC为0.995,高于EfficientNetV2的0.994和MobileNetV2的0.992,但差异未进行统计显著性检验。5.5 PR Curves(PR曲线):集成模型的PR AUC为0.996,EfficientNetV2为0.995,MobileNetV2为0.992,同样体现了微小的优势。5.6 Prediction-Confidence Distributions(预测置信度分布):三个模型的预测概率分布均集中在0和1附近,说明