Convnext Tiny Finetuned Eurosat

🚀 ConvNeXT (tiny) 在 EuroSAT 上微調模型

本模型是 facebook/convnext-tiny-224 在 EuroSAT 數據集上的微調版本。它在評估集上取得了以下成果：

• 損失率：0.0549
• 準確率：0.9805

拖動以下圖片到右側小部件中測試模型

🚀 快速開始

本模型是基於特定數據集微調而來，可直接用於相關圖像分類任務。你可以通過以下方式快速使用：

1. 準備好待分類的圖像數據。
2. 利用合適的深度學習框架加載本模型。
3. 將圖像輸入模型進行分類預測。

✨ 主要特性

• 高性能：在 EuroSAT 數據集評估集上取得了 0.9805 的準確率。
• 創新性架構：ConvNeXT 是受視覺變換器設計啟發的純卷積模型，有望超越傳統模型。

📚 詳細文檔

模型描述

ConvNeXT 是一個純卷積模型（ConvNet），它受到視覺變換器（Vision Transformers）設計的啟發，宣稱能夠超越它們。作者從 ResNet 出發，以 Swin Transformer 為靈感對其設計進行了“現代化”改造。

數據集信息

EuroSAT：基於 Sentinel - 2 衛星圖像的土地利用和土地覆蓋分類

在這項研究中，我們致力於解決利用 Sentinel - 2 衛星圖像進行土地利用和土地覆蓋分類的挑戰。Sentinel - 2 衛星圖像是哥白尼地球觀測計劃中公開且免費獲取的資源。我們提出了一個基於 Sentinel - 2 衛星圖像的全新數據集，該數據集涵蓋 13 個光譜波段，包含 10 個類別，總計有 27,000 張帶標籤且地理參考的圖像。我們使用最先進的深度卷積神經網絡（CNNs）為這個帶有光譜波段的新數據集提供了基準。藉助所提出的新數據集，我們實現了 98.57% 的總體分類準確率。由此產生的分類系統為眾多地球觀測應用打開了大門。我們展示瞭如何使用這個分類系統來檢測土地利用和土地覆蓋的變化，以及它如何有助於改進地理地圖。

預期用途和限制

更多信息待補充。

訓練和評估數據

更多信息待補充。

訓練過程

訓練超參數

訓練過程中使用了以下超參數：

• 學習率：5e - 05
• 訓練批次大小：32
• 評估批次大小：32
• 隨機種子：7171
• 優化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e - 08）
• 學習率調度器類型：線性
• 訓練輪數：3

訓練結果

框架版本

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

📄 許可證

本模型採用 Apache - 2.0 許可證。