许可证: apache-2.0
标签:

• 训练生成
• 计算机视觉
• ConvNeXT
• 卫星图像
• EuroSAT
  数据集:
• nielsr/eurosat-demo
  评估指标:
• 准确率
  模型索引:
• 名称: convnext-tiny-finetuned-eurosat
  结果:
  • 任务:
    名称: 图像分类
    类型: image-classification
    数据集:
    名称: image_folder
    类型: image_folder
    参数: 默认
    指标:
    • 名称: 准确率
      类型: accuracy
      值: 0.9804938271604938

基于EuroSAT微调的ConvNeXT（tiny版）模型

本模型是在EuroSAT数据集上对facebook/convnext-tiny-224进行微调的版本。
评估集表现如下:

• 损失值: 0.0549
• 准确率: 0.9805

将以下测试图片拖拽至右侧控件进行模型测试

模型描述

ConvNeXT是受视觉Transformer启发设计的纯卷积模型(ConvNet)，其性能宣称优于Transformer。研究者以ResNet为起点，借鉴Swin Transformer的设计理念对其进行了现代化改造。

数据集信息

EuroSAT：基于Sentinel-2的土地利用与土地覆盖分类

本研究利用Sentinel-2卫星图像解决土地利用分类挑战。这些图像来自哥白尼地球观测计划，可免费公开获取。我们提出的新数据集包含13个光谱波段，涵盖10个类别共计27,000张带地理坐标标记的影像。通过最先进的深度卷积神经网络(CNNs)对光谱波段进行基准测试，实现了98.57%的整体分类准确率。该分类系统为多项地球观测应用开启大门，可用于检测土地利用变化及辅助改进地理地图。

使用限制

需补充更多信息

训练与评估数据

需补充更多信息

训练流程

超参数设置

训练采用以下超参数:

• 学习率: 5e-05
• 训练批次: 32
• 评估批次: 32
• 随机种子: 7171
• 优化器: Adam (β1=0.9, β2=0.999, ε=1e-08)
• 学习率调度: 线性
• 训练轮次: 3

训练结果

框架版本

• Transformers 4.18.0
• PyTorch 1.10.0+cu111
• Datasets 2.1.0
• Tokenizers 0.12.1