Rapid progress in deep learning (DL) is benefitting almost all fields including ‘Remote Sensing’. Until now several deep convolutional neural networks (DCNN) are proposed, every one of them gives distinct results according to its depth as well as hyperparameters. It’s very arduous to develop these DCNNs from scratch because it requires huge efforts and computing resources. Transfer learning (TL) is a technique of customizing such pre-trained DCNNs and molding them for newer classification tasks like ‘Land Usage Identification’ (LUI). The current paper presents an empirical performance assessment of six individual finetuned DCNNs namely VGG16, VGG19, MobileNet, Xception, InceptionV3, and DenseNet121 for LUI. Further, the best performing DCNN’s features are fused with Thepade’s Sorted Block Truncation Coding (SBTC) 10-ary and passed to different machine learning (ML) classifiers like RandomForest, Support Vector Machine (SVM), DecisionTree, NaiveBayes, K-Nearest Neighbours (KNN), ExtraTree and GradientBoosting classifier (GBC) for improving LUI capability of the method. The proposed methodology is experimented on UC Merced Land Use (UCM) dataset by considering accuracy, F1-score, recall, and precision as performance metrics. From computed results, it’s evident that finetuned InceptionV3 + Thepade’s SBTC 10-ary + ExtraTree classifier gives overall remarkable results for LUI across both 70–30 and 80–20 dataset split.

深度学习 (DL) 的快速进步使包括“遥感”在内的几乎所有领域受益。到目前为止，已经提出了几种深度卷积神经网络 (DCNN)，每一种都根据其深度和超参数给出不同的结果。从头开始开发这些 DCNN 非常艰巨，因为它需要巨大的努力和计算资源。迁移学习 (TL) 是一种定制此类预训练 DCNN 并将其塑造为新的分类任务（如“土地使用识别”（LUI））的技术。当前论文对六个单独的微调 DCNN 进行了实证性能评估，即 VGG16、VGG19、MobileNet、Xception、InceptionV3 和 DenseNet121 用于 LUI。更多，性能最好的 DCNN 的特征与 Thepade 的 Sorted Block Truncation Coding (SBTC) 10-ary 融合，并传递给不同的机器学习 (ML) 分类器，如 RandomForest、支持向量机 (SVM)、DecisionTree、NaiveBayes、K-Nearest Neighbors (KNN) 、ExtraTree 和 GradientBoosting 分类器 (GBC) 用于提高该方法的 LUI 能力。通过将准确性、F1 分数、召回率和精度作为性能指标，在 UC Merced Land Use (UCM) 数据集上对所提出的方法进行了实验。从计算结果来看，很明显，微调的 InceptionV3 + Thepade 的 SBTC 10-ary + ExtraTree 分类器在 70-30 和 80-20 数据集拆分中为 LUI 提供了整体显着的结果。ExtraTree 和 GradientBoosting 分类器 (GBC) 用于提高该方法的 LUI 能力。通过将准确性、F1 分数、召回率和精度作为性能指标，在 UC Merced Land Use (UCM) 数据集上对所提出的方法进行了实验。从计算结果来看，很明显，微调的 InceptionV3 + Thepade 的 SBTC 10-ary + ExtraTree 分类器在 70-30 和 80-20 数据集拆分中为 LUI 提供了整体显着的结果。ExtraTree 和 GradientBoosting 分类器 (GBC) 用于提高该方法的 LUI 能力。通过将准确性、F1 分数、召回率和精度作为性能指标，在 UC Merced Land Use (UCM) 数据集上对所提出的方法进行了实验。从计算结果来看，很明显，微调的 InceptionV3 + Thepade 的 SBTC 10-ary + ExtraTree 分类器在 70-30 和 80-20 数据集拆分中为 LUI 提供了整体显着的结果。