杨国亮，李放，朱晨，许楠

(江西理工大学 电气工程与自动化学院，江西 赣州 341000)

0 引言

遥感场景分类是根据遥感图像的内容进行特征提取，使用分类器对抽象出来的特征进行分类，从而对遥感场景进行分类和识别的过程。精准而快速的场景分类可以降低如地理目标检测、土地利用分析、土地覆盖分析、城市规划等遥感解译任务的难度，并提高解译精度。

传统场景分类算法多数是基于人工特征提取的，这些算法依赖大量的专业知识以及专家经验来设计针对不同任务的特征描述子，此种基于人工特征提取的场景分类方法难以取得较好的泛化效果。近年来，随着卷积神经网络的快速发展，遥感图像场景分类的准确率和泛化能力得到了极大提升[1-2]。Krizhevsky等[3]于2012年凭借AlexNet取得了ImageNet大规模视觉识别挑战赛图像分类和目标定位任务的冠军，展现了卷积神经网络在图像领域上的巨大潜力。在此之后，vgg-16[4]、GoogLeNet[5]、ResNet[6]等网络的提出及发展[7-8]大大提高了分类任务的分类准确度的同时应用领域也逐渐多元[9-10]。但是这些网络性能得到提高的同时也使得模型的深度与参数的数量快速增加，这会导致模型训练困难，存储空间占用大，训练、预测时间长等问题，对于集成卷积网络的方法更是如此。近年来，越来越多的研究都聚焦在了网络模型的效率问题。2017年发表在ICLR上的利用fire module的SqueezeNet，同年发表在CVPR上的利用深度可分离卷积的MobileNet，以及之后发表的ShuffleNet[11]、Xception[12]和MobileNetv2[13]，这些网络在保持相似精度的同时大量缩减网络参数数量，通过减少网络的参数与计算量来解决网络的效率问题。……