針對遙感圖像背景復(fù)雜且存在某場景圖像中關(guān)鍵物體小且尺度變化較大,需提升模型表征能力來準(zhǔn)確辨別各類場景的問題,提出了一種深度多分支特征融合網(wǎng)絡(luò)的方法進(jìn)行遙感圖像場景分類.利用多分支網(wǎng)絡(luò)結(jié)構(gòu)提取高、中、低三個(gè)層次的特征信息,將三個(gè)層次的特征進(jìn)行基于拆分-融合-聚合的分組融合,最后為了關(guān)注難辨別樣本和標(biāo)簽位置損失,提出一種損失函數(shù).試驗(yàn)結(jié)果證明,本文所提出的方法對于提高分類準(zhǔn)確率十分有效,在UCM、AID和OPTIMAL三個(gè)數(shù)據(jù)集上的準(zhǔn)確率超過其他算法.在數(shù)據(jù)集UCM上80%樣本訓(xùn)練,準(zhǔn)確率達(dá)到了99.29%,與ARCNet-VGG16算法相比分類準(zhǔn)確率提高了1.35%.在數(shù)據(jù)集AID上50%樣本訓(xùn)練,準(zhǔn)確率達(dá)到了95.56%,與Two-Stream算法相比提高了0.98%.在數(shù)據(jù)集OPTIMAL上80%樣本訓(xùn)練,準(zhǔn)確率達(dá)到95.43%,與ARCNet-VGG16算法相比提升2.73%.

【文章頁數(shù)】：12 頁

【文章目錄】：
0 引言
1 遙感圖像分類方法
2 深度多分支特征融合方法
    2.1 多分支卷積神經(jīng)網(wǎng)絡(luò)MBCNet
    2.2 分組融合方法
    2.3 改進(jìn)的損失函數(shù)
3 試驗(yàn)結(jié)果與分析
    3.1 數(shù)據(jù)集
    3.2 評價(jià)指標(biāo)
    3.3 參數(shù)討論
    3.4 數(shù)據(jù)集分類性能比較
4 結(jié)論



本文編號(hào)：3744737