针对建筑元素特征提取不全、相似建筑风格识别困难等问题,提出一种显著区域抑制与多尺度特征融合(salient region suppression and multi-scale feature fusion,SRSMSFF)的建筑风格识别方法。首先,采用改进的Resnet18提取初始建筑特征...针对建筑元素特征提取不全、相似建筑风格识别困难等问题,提出一种显著区域抑制与多尺度特征融合(salient region suppression and multi-scale feature fusion,SRSMSFF)的建筑风格识别方法。首先,采用改进的Resnet18提取初始建筑特征。然后,设计显著区域抑制模块(salient region suppression module,SRSM),通过隐藏最具判别性区域,引导网络学习潜在区域的特征,并设计多尺度特征融合网络(multi-scale feature fusion,MSFF),将多尺度结构与显著区域抑制相结合,以获取更完整的建筑元素特征。接着,利用通道注意力赋予各通道相应的权重,以突出重要的通道信息。最后,大边距度量损失函数(large-margin Softmax loss function,L-Softmax)通过最大化特征嵌入空间的决策边界,改善相似建筑风格的识别。在公共建筑数据集10类、25类及自建中国古建筑数据集上的实验结果表明,本文方法的准确率分别达到80.21%、64.4%和88.21%,其性能优于目前的先进方法。展开更多
文摘针对建筑元素特征提取不全、相似建筑风格识别困难等问题,提出一种显著区域抑制与多尺度特征融合(salient region suppression and multi-scale feature fusion,SRSMSFF)的建筑风格识别方法。首先,采用改进的Resnet18提取初始建筑特征。然后,设计显著区域抑制模块(salient region suppression module,SRSM),通过隐藏最具判别性区域,引导网络学习潜在区域的特征,并设计多尺度特征融合网络(multi-scale feature fusion,MSFF),将多尺度结构与显著区域抑制相结合,以获取更完整的建筑元素特征。接着,利用通道注意力赋予各通道相应的权重,以突出重要的通道信息。最后,大边距度量损失函数(large-margin Softmax loss function,L-Softmax)通过最大化特征嵌入空间的决策边界,改善相似建筑风格的识别。在公共建筑数据集10类、25类及自建中国古建筑数据集上的实验结果表明,本文方法的准确率分别达到80.21%、64.4%和88.21%,其性能优于目前的先进方法。
