EuroSAT Land Use dataset

视觉 Transformer 和 CNN 在土地利用分类中的比较

一篇新的研究论文比较了视觉 Transformer (ViTs) 和卷积神经网络 (CNNs) 在使用遥感影像进行土地利用场景分类方面的有效性。该研究在 UC Merced Land Use 和 EuroSAT 数据集上评估了 AlexNet 和 ViT，分析了准确率、精确率、召回率和 F1 分数等指标。结果表明，CNN 在数据有限和具有强局部纹理的情况下更具鲁棒性，而 ViT 在有足够训练数据的情况下擅长捕捉全局空间关系，尽管它们需…