1、传统分类方法出现的问题:
(1)将固定尺寸的 image patch作为输入,这可能包含多种地表类别,影响分类效果。
(2)传统CNN参数太多,影响训练效率。
2、本文看点:SMBN网络(squeeze multibias network)可以提高分类性能和运行速度。
(1)提出MBM(multibias module),根据不同物体偏差的大小,将input patches的特征图分解成多个响应图(对应不同的地面物体),然后,MBM选择合适的响应图用于分类。
(2)提出SCM(squeeze convolution module),代替传统网络中的卷积层,减少网络参数,但不影响分类效果。
3、MBM介绍
ReLU可以区分feature maps中的噪声和真实信息,但不能区分不同类别的物体,根据ReLU的优缺点,在ReLU中加入多个偏差,称为MBM。
(1)功能:根据不同物体偏差的大小,将input patches的特征图分解成多个响应图(对应不同的地面物体),然后,MBM选择合适的响应图用于分类。
(2)分类依据:不同地表物体偏差大小有差异。
(3)MBM结构:
Feature Maps:Xu(u=1,2,...,U)。不同地表物体的偏差不同,M个偏差。Multi-bias Maps:Xu,m(u=1,2,...,U; m=1,2,...,M)。从Feature Maps层到Multi-bias层公式:xu,m,i=g(xu,i+bu,m),其中xu,m,i和xu,i分别为Xu,m和Xu的第i个分量;bu,m是偏差,通过反向传播自动学习。g(.)是非线性函数,本文用ReLU函数。
4、SCM介绍
SCM用于代替传统网路中的卷积层,它可以减少网络参数。
网络结构:
如何减少参数?
5、SMBN网络结构:
网络细节设置: