基于小波-空间高阶特征聚合网络的遥感图像场景分类
提出一种小波-空间高阶特征聚合网络(WHF A-Net),该网络可分为小波域特征提取和空间域特征提取两个分支.首先,将Harr小波变换嵌入卷积神经网络(CNNs),保留深度卷积特征的低频分量作为小波深度特征;其次,利用最大池化进行深度特征学习,并将其输出作为空间深度特征;将两分支的深度特征进行向量化后,获取其自相关和互相关高阶深度特征向量,并依次进行特征正规化、特征聚合和特征归一化操作;最后,引入交叉熵损失函数进行端到端网络训练.在NWPU45(NWPU-RESISC45 Dataset)和AID(Aerial Image Dataset)数据集上的实验结果表明:相较于基准网络(VGG-16),本文所提WHFA-Net的场景分类准确率有5.13%~12.12%的提升;与DCCNN、APDC-Net、GBNet、LCNN-BFF、MSCP和Wavelet CNN相比,WHFA-Net的场景分类准确率均有不同程度的提升;通过消融实验验证了各模块和分支的有效性及其性能差异.因此,WHFA-Net可有效且稳定地抽取遥感场景图像不同特征域的高阶聚合特征,并提升场景分类准确率.
遥感、场景分类、卷积神经网络、特征可辨别性、特征聚合
42
TP753(遥感技术)
国家自然科学基金;国家自然科学基金;江苏省自然科学基金;江苏省自然科学基金;江苏省高校自然科学基金项目;南京邮电大学引进人才科研启动基金项目
2023-03-07(万方平台首次上网日期,不代表论文的发表时间)
共10页
204-213