特征重校准融合密集神经网络的遥感场景分类
2020-06-12陈德海潘韦驰黄艳国
计算机工程与设计 2020年6期
陈德海,潘韦驰,马 原,黄艳国
(江西理工大学 电气工程及自动化学院,江西 赣州 341000)
0 引 言
遥感影像技术在现代得到快速发展,其所包含的空间信息越来越丰富,从而使得影像中复杂的语义信息难以提取。目前有许多学者研究针对遥感影像分类提出许多方法[1-4],如何有效提取遥感影像场景的高层语义特征是当前极具挑战的研究内容。
近几年,深度学习因其强大的学习能力被应用到诸多领域[5-7],同时也被不少研究者应用于遥感影像场景分类[8-13]中,取得了不错的效果。文献[14]利用卷积神经网络进行场景分类,训练出的特征可以进行遥感图像中建筑物的二分类。文献[15]针对遥感场景分类,分析了3种卷积神经网络策略用以提高分类精度,降低训练参数。文献[16]通过联合显著性采样和卷积神经网络进行遥感场景分类,但对于类内差异性和类间相似性等问题,显著性算法无法识别。
为解决遥感场景影像中空间信息复杂,遥感场景影像样本不足导致分类精度无法提高等问题。本文通过构建SE block提高通道之间的依赖性,进而提高遥感场景特征响应能力;然后利用密集神经网络的特征重用以及高效的信息流传递特点,将SE block嵌入DenseNet-121中并引入多尺度SE block,学习不同尺度下的遥感场景影像特征并校准特征通道权重,提高遥感场景影像特征的稳健表示;最后,利用缩聚-激发机制获取遥感场景影像有效特征并抑制干扰特征,通过数据增强扩充数据集提高模型泛化能力以及鲁棒性。……
登录APP查看全文
