Enhancing Ship Classification in Optical Satellite Imagery: Integrating Convolutional Block Attention Module with ResNet for Improved Performance

本研究提出了一种先进的卷积神经网络（CNN）架构，用于从光学卫星图像中对船舶进行分类，通过集成卷积块注意模块（CBAM）和其他架构创新，显著提高了性能。在基础ResNet50模型的基础上，我们首先加入了标准CBAM，将模型的重点放在更具信息量的特征上，将准确度提高到了87％，而基线ResNet50的准确度为85％。进一步的增强包括多尺度特征集成、深度可分离卷积和膨胀卷积，最终形成了具有改进CBAM的增强ResNet模型。该模型表现出了惊人的95％准确率，各种船舶类别的精度、召回率和f1-score都得到了显著提高。特别是散货船和油轮类别，几乎完美的精度和召回率凸显了该模型在准确识别和分类船舶方面的增强能力。关注热图分析进一步验证了改进模型的有效性，显示出对相关船舶特征的更加专注，无论背景复杂性如何。这些发现强调了在高分辨率卫星图像分类中集成注意机制和架构创新的潜力。研究解决了类别不平衡和计算成本等挑战，提出了未来方向，以实现新型或罕见船舶类型的可扩展性和适应性。这项研究为在遥感领域应用先进的深度学习技术奠定了基础，为可扩展和高效的卫星图像分类提供了见解。

本论文旨在通过结合Convolutional Block Attention Module（CBAM）和其他架构创新，提出一种用于光学卫星图像船舶分类的高级卷积神经网络（CNN）架构，以显著提高性能。

本论文提出了Enhanced ResNet Model with Improved CBAM，该模型通过多尺度特征集成、深度可分离卷积和扩张卷积等技术，进一步提高了CBAM的性能，实现了95%的准确率。

论文使用ResNet50为基础模型，通过CBAM、多尺度特征集成、深度可分离卷积和扩张卷积等技术，提出了Enhanced ResNet Model with Improved CBAM。实验结果表明，该模型在各个船舶类别上的准确率、精确率、召回率和F1分数均有显著提高。此外，研究还探索了类别不平衡和计算成本等挑战，并提出了未来的研究方向。

最近的相关研究包括：Ship Classification in Multispectral Satellite Imagery Using Deep Learning和Ship Detection and Classification in High-Resolution Optical Satellite Images Using Faster R-CNN with FPN。