1、原文
BAND-WISE MULTI-SCALE CNN ARCHITECTURE FOR REMOTE SENSING IMAGE SCENE CLASSIFICATION.
https://ieeexplore.ieee.org/document/9323214
2、摘要
图像场景分类问题框架中的大多数现有卷积神经网络(CNN)架构都是为对RGB图像波段进行建模而设计的。将这些架构直接应用于高维遥感(RS)场景分类可能不足以准确描述光谱内容。为了解决这个问题,我们提出了一种新颖的CNN架构,用于高维RS图像的特征嵌入。所提出的架构旨在:1)将光谱和空间特征提取解耦,以充分描述图像的复杂信息内容;2)利用图像中存在的不同土地利用和土地覆盖类别的多尺度表示。为此,所提出的架构主要由:1)卷积层,用于按带宽提取多尺度空间特征;2)一个卷积层,用于按像素提取光谱特征;3)用于进一步特征学习的标准二维卷积和残差块。与最先进的CNN架构相比,BigEarthNet上的实验验证了所提出方法的有效性。
3、正文
---------------------------------------------------------------------------
----------------------------------------------------------------------------
------------------------------------------------------------------------------
4、结论
在本文中,我们提出了一种新颖的CNN架构,用于准确捕获高维RS图像中存在的光谱空间信息内容。为此,所提出的CNN架构主要由:1)卷积层,用于提取带状多尺度空间特征;2)用于提取像素级光谱特征的卷积层;3)用于将光谱空间特征映射到相关类别的标准2D卷积和残差块。与几种最先进的CNN架构相比,BigEarthNet上的实验验证了所提出的CNN架构的有效性。特别是,实验结果指出,CNN架构对高维RS图像的学习能力依赖于其用于光谱空间特征提取的早期层的配置。具有合适的光谱空间特征提取层的CNN架构可以提高分类性能,还可以显着减少相关的参数数量(从而降低计算成本)。作为未来的工作,我们将调查亲的有效性。