Arun Kulkarni

ViTs与CNN在土地利用场景分类上的比较

研究人员比较了视觉Transformer（ViTs）和卷积神经网络（CNNs）在遥感图像土地利用场景分类方面的有效性。该研究使用了UC Merced Land Use和EuroSAT等基准数据集，评估了准确率、精确率和召回率等指标。研究结果表明，CNNs在数据有限且局部特征较强的情况下更为稳健，而ViTs在有充足训练数据时擅长理解全局空间关系，但需要更多的计算资源。