-
题名基于尺度注意力网络的遥感图像场景分类
被引量：26
- 1
-
-
作者
边小勇
费雄君
穆楠
-
机构
武汉科技大学计算机科学与技术学院
武汉科技大学大数据科学与工程研究院
智能信息处理与实时工业系统湖北省重点实验室(武汉科技大学)
-
出处
《计算机应用》
CSCD
北大核心
2020年第3期872-877,共6页
-
基金
国家自然科学基金资助项目(61572381,61501337)
湖北省自然科学基金资助项目(2018CFB575)~~
-
文摘
针对卷积神经网络(CNN)平等地对待输入图像中潜在的对象信息和背景信息,而遥感图像场景又存在许多小对象和背景复杂的问题,提出一种基于注意力机制和多尺度特征变换的尺度注意力网络模型。首先,开发一个快速有效的注意力模块,基于最优特征选择生成注意力图;然后,在ResNet50网络结构的基础上嵌入注意力图,增加多尺度特征融合层,并重新设计全连接层,构成尺度注意力网络;其次,利用预训练模型初始化尺度注意力网络,并使用训练集对模型进行微调;最后,利用微调后的尺度注意力网络对测试集进行分类预测。该方法在实验数据集AID上的分类准确率达到95.72%,与ArcNet方法相比分类准确率提高了2.62个百分点;在实验数据集NWPU-RESISC上分类准确率达到92.25%,与IORN方法相比分类准确率提高了0.95个百分点。实验结果表明,所提方法能够有效提高遥感图像场景分类准确率。
-
关键词
遥感图像场景分类
深度学习
多尺度特征变换
注意力机制
残差网络
微调
-
Keywords
remote sensing image scene classification
deep learning
multi-scale feature transformation
attention mechanism
residual network
fine-tuning
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名联合一二阶池化网络学习的遥感场景分类
被引量：2
- 2
-
-
作者
边小勇
费雄君
陈春芳
阚东东
丁胜
-
机构
武汉科技大学计算机科学与技术学院
武汉科技大学大数据科学与工程研究院
智能信息处理与实时工业系统湖北省重点实验室(武汉科技大学)
-
出处
《计算机应用》
CSCD
北大核心
2022年第6期1972-1978,共7页
-
基金
国家自然科学基金资助项目(61972299,61806150)
武汉科技大学研究生创新基金资助项目(JCX201927,JCX201924)。
-
文摘
目前大多数池化方法主要是从一阶池化层或二阶池化层提取聚合特征信息,忽略了多种池化策略对场景的综合表示能力,进而影响到场景识别性能。针对以上问题,提出了联合一二阶池化网络学习的遥感场景分类模型。首先,利用残差网络ResNet-50的卷积层提取输入图像的初始特征。接着,提出基于特征向量相似度的二阶池化方法,即通过特征向量间的相似度求出其权重系数来调制特征值的信息分布,并计算有效的二阶特征信息。同时,引入一种有效的协方差矩阵平方根逼近求解方法,以获得高阶语义信息的二阶特征表示。最后,基于交叉熵和类距离加权的组合损失函数训练整个网络,从而得到富于判别性的分类模型。所提方法在AID(50%训练比例)、NWPURESISC45(20%训练比例)、CIFAR-10和CIFAR-100数据集上的分类准确率分别达到96.32%、93.38%、96.51%和83.30%,与iSQRT-COV方法相比,分别提高了1.09个百分点、0.55个百分点、1.05个百分点和1.57个百分点。实验结果表明,所提方法有效提高了遥感场景分类性能。
-
关键词
遥感场景分类
深度学习
一阶池化
二阶池化
协方差矩阵平方根
-
Keywords
remote sensing scene classification
deep learning
first-order pooling
second-order pooling
square root of covariance matrix
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名弱监督多示例子概念学习的遥感场景分类
被引量：3
- 3
-
-
作者
陈春芳
边小勇
费雄君
杨博
张晓龙
-
机构
武汉科技大学计算机科学与技术学院
武汉科技大学大数据科学与工程研究院
智能信息处理与实时工业系统湖北省重点实验室
-
出处
《小型微型计算机系统》
CSCD
北大核心
2022年第1期76-83,共8页
-
基金
国家自然科学基金项目(61972299,61806150)资助
校研究生创新基金项目(JCX201924,JCX201927)资助。
-
文摘
遥感场景分类是近年来计算机视觉和表示学习领域的热门研究课题,其主要工作是基于学习到的特征信息自动分类图像场景.传统上场景分类方法忽略了场景中多个子概念的学习,进而影响到场景语义识别.为了解决上述问题,文中提出一种弱监督多示例子概念学习(Weakly Supervised Multi-Instance Sub-concept Learning)的遥感场景分类方法.首先,基于弱监督定位网络从逐类响应图中预测峰值坐标,以定位感兴趣的示例区域;其次,将峰值坐标信息回溯到卷积层,自动截取多个示例特征组成示例袋作为多示例聚合网络的输入.然后,在多示例聚合网络上嵌入一个子概念层,迭代学习子概念与示例之间的匹配分数,再将所有的示例进行聚合生成示例袋概率分数;最后,组合两个损失函数,联合训练整个网络,得到富于判别的分类模型.在AID、NWPU-RESISC45和CIFAR10/100数据集上进行了分类实验,结果表明,所提方法有效提高了遥感场景分类性能.
-
关键词
遥感场景分类
卷积神经网络
弱监督
多示例
子概念学习
-
Keywords
remote sensing classification
convolutional neural network
weakly supervision
multiple instance
sub-concept learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
