DropBand:A Simple and Effective Method for Promoting the VHR Scene Classification Accuracy of CNN

文章链接：http://ieeexplore.ieee.org/document/8248633/

遥感图像场景分类的难点主要在于，类内的差异性和类间的相似性。所以分类的精度一直不高。而在已有的数据集如：RSSCN7,UC-Merced 等数据集上分类精度可以达到94%-96%左右(finetune)，这与数据集本身的特点有关。如：数据集本身比较简单，或使用的训练集所占比例比较大。想要再进一步提高比较难。

遥感图像场景分类因为数据量有限，很容易导致过拟合。因此常常使用dropout和data augmentation(数据增强)来防止过拟合。这篇文章是将dropout运用到输入节点，即对输入通道进行dropout。

上图是文章提出的网络结构。输入图像为四个通道，除了RGB还有一个近红外通道。dropband与dropout不同点在于dropout是随机drop而dropband则是对特定的通道进行drop。对于dropband后的输入分别用CNN训练，测试的结果是把所有结果加起来求均值。

图4中的a,b,c是用来做对比实验的。

此处只上传UC-Merced数据集的实验结果。

dropband的效果还不如fine-tuning的结果。GBRCN即：gradient boosting random CNN 。

结论：dropband的多少对实验结果影响不大。增加CNN网络的数量会增加参数量。

主观看法：分类的效果不如CNN finetune的结果，使用多个base CNN,参数量还比较大。不明白这个做法的意义和作用。主观感觉没用。有大神发现作用了私信告诉我一下。