基于尺度注意力网络的遥感图像场景分类

被引：10

作者：

边小勇 ^{[1
,2
,3
]}

费雄君 ^{[1
,2
,3
]}

穆楠 ^{[1
,2
,3
]}

机构：

[1] 武汉科技大学计算机科学与技术学院

[2] 武汉科技大学大数据科学与工程研究院

[3] 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)

来源：

计算机应用 | 2020年 / 40卷 / 03期

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;

D O I：

暂无

中图分类号：

TP751 [图像处理方法]; TP183 [人工神经网络与计算];

学科分类号：

081002 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

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。

引用

页码：872 / 877

页数：6

共 42 条

[1]

Very Deep Convolutional Networks for Large-Scale Image Recognition[C/OL]. SIMONYAN K,ZISSERMAN A. https://arxiv.org/pdf/ 1409.1556.pdf . 2018

[2]

Very Deep Convolutional Networks for Large-Scale Image Recognition[C/OL]. SIMONYAN K,ZISSERMAN A. https://arxiv.org/pdf/ 1409.1556.pdf . 2018

[3]

AID:a benchmark data set for performance evaluation of aerial scene classification. Xia G S,Hu J W,Hu F,et al. IEEE Transactions on Geoscience and Remote Sensing . 2017

[4]

AID:a benchmark data set for performance evaluation of aerial scene classification. Xia G S,Hu J W,Hu F,et al. IEEE Transactions on Geoscience and Remote Sensing . 2017

[5]

Exploiting generative models in discriminative classifiers. JAAKKOLA T S,HAUSSLER D. Proceedings of the 1998 Conference on Neural Information Processing Systems . 1998

[6]

Exploiting generative models in discriminative classifiers. JAAKKOLA T S,HAUSSLER D. Proceedings of the 1998 Conference on Neural Information Processing Systems . 1998

[7] 图像场景分类技术综述 [J].