用于遥感图像场景分类的带宽多尺度CNN架构

AI智博信息

于 2024-09-14 23:55:40 发布

阅读量19

点赞数

分类专栏：计算机视觉文章标签：分类 cnn 数据挖掘

原文链接：https://ieeexplore.ieee.org/document/9323214

版权

计算机视觉专栏收录该内容

31 篇文章 0 订阅

订阅专栏

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。