發(fā)布時(shí)間：2021-09-09 07:45

　　傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）模型在遙感場(chǎng)景分類(lèi)中存在大量的空間特征信息冗余,這極大的影響了模型的分類(lèi)精度和運(yùn)行效率,針對(duì)此問(wèn)題提出一種基于Octave卷積（octave convolution,OctConv）的深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）模型.首先將卷積層輸出的特征圖根據(jù)頻率分解為高低頻兩部分,并采用全局平均池化將特征映射信息量較少的低頻部分壓縮為當(dāng)前尺寸的四分之一,然后使用OctConv替換傳統(tǒng)卷積操作,實(shí)現(xiàn)高低頻特征的自我更新和信息交互,最后引入遷移學(xué)習(xí)用于提升模型的魯棒性以及彌補(bǔ)訓(xùn)練樣本不足的問(wèn)題.實(shí)驗(yàn)證明該方法在UC_merced_Land_Use公開(kāi)數(shù)據(jù)集下能夠達(dá)到99.25%的分類(lèi)精度,相較于同類(lèi)型方法提高了2個(gè)百分點(diǎn),表明該方法的優(yōu)越性以及有效性。 

【文章來(lái)源】：電子測(cè)量與儀器學(xué)報(bào). 2020,34(01)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

UC Merced數(shù)據(jù)集

然后進(jìn)行空間頻域分解和分組,如圖1所示,首先輸入張量|X|∈ Rc×h×w,h、w分別表示空間維度,c表示特征圖信道數(shù),這里可以沿著通道數(shù)將X分解為{ X Η ∈R ( 1-α )×c×h×w ,X L ∈R α×c× h 2 × w 2 } 兩部分,其中XH表示的是特征圖的高頻部分,XL則是被壓縮的低頻部分。α∈[0,1]表示的是低頻通道數(shù)占比。隨后將具體介紹Octave Convolution。1.2 OctConv

Ocvate Convolution操作如圖2所示,設(shè)特征圖的高低頻分量分別是XH和XL,相對(duì)應(yīng)的卷積輸出分別為YH、YL。在卷積操作中WH負(fù)責(zé)構(gòu)建YH,WL負(fù)責(zé)構(gòu)建YL。WH又可拆分成{WL->H,WH->H},WL->H主要負(fù)責(zé)XL到Y(jié)H部分,而WH->H主要負(fù)責(zé)XH到Y(jié)H部分。同理WL也可以分成{WL->L,WH->L}兩塊。其中WL->L和WH->H采用的是普通卷積,這一部分可稱為高低頻分量信息的自我更新。WL->H和WH->L則是高低頻特征信息交互的過(guò)程,對(duì)于WL->H,首先對(duì)輸入特征圖像進(jìn)行上采樣(upsample),再執(zhí)行傳統(tǒng)卷積。針對(duì)WH->L則首先執(zhí)行下采樣(downsample),然后進(jìn)行普通卷積。 整套流程下來(lái),可以發(fā)現(xiàn),這種濾波加新式卷積的操作是“插片式”的,不需要破壞原來(lái)的CNN結(jié)構(gòu)。值得注意的是,低頻通道卷積的感受野比傳統(tǒng)卷積大了2倍,這使得每一個(gè)OctConv層能夠捕獲更多的上下文信息,從而計(jì)算代價(jià)和實(shí)驗(yàn)精度得到了權(quán)衡。圖2具體實(shí)現(xiàn)如下,其中(p,q)代表特征圖的位置坐標(biāo),Nk則是定義的一個(gè)局部區(qū)域。

【參考文獻(xiàn)】：
期刊論文
[1]光學(xué)遙感圖像場(chǎng)景分類(lèi)技術(shù)綜述和比較[J]. 李曉斌,江碧濤,王生進(jìn).  無(wú)線電工程. 2019(04)
[2]利用多尺度特征與深度網(wǎng)絡(luò)對(duì)遙感影像進(jìn)行場(chǎng)景分類(lèi)[J]. 許夙暉,慕曉冬,趙鵬,馬驥.  測(cè)繪學(xué)報(bào). 2016(07)



本文編號(hào)：3391710