基于OctConv的DCNN在遥感图像场景分类中的应用

发布时间：2021-09-09 07:45

　　传统卷积神经网络（convolutional neural network,CNN）模型在遥感场景分类中存在大量的空间特征信息冗余,这极大的影响了模型的分类精度和运行效率,针对此问题提出一种基于Octave卷积（octave convolution,OctConv）的深度卷积神经网络（DCNN）模型.首先将卷积层输出的特征图根据频率分解为高低频两部分,并采用全局平均池化将特征映射信息量较少的低频部分压缩为当前尺寸的四分之一,然后使用OctConv替换传统卷积操作,实现高低频特征的自我更新和信息交互,最后引入迁移学习用于提升模型的鲁棒性以及弥补训练样本不足的问题.实验证明该方法在UC_merced_Land_Use公开数据集下能够达到99.25%的分类精度,相较于同类型方法提高了2个百分点,表明该方法的优越性以及有效性。 

【文章来源】：电子测量与仪器学报. 2020,34(01)北大核心CSCD

【文章页数】：7 页

【部分图文】：

UC Merced数据集

然后进行空间频域分解和分组,如图1所示,首先输入张量|X|∈ Rc×h×w,h、w分别表示空间维度,c表示特征图信道数,这里可以沿着通道数将X分解为{ X Η ∈R ( 1-α )×c×h×w ,X L ∈R α×c× h 2 × w 2 } 两部分,其中XH表示的是特征图的高频部分,XL则是被压缩的低频部分。α∈[0,1]表示的是低频通道数占比。随后将具体介绍Octave Convolution。1.2 OctConv

Ocvate Convolution操作如图2所示,设特征图的高低频分量分别是XH和XL,相对应的卷积输出分别为YH、YL。在卷积操作中WH负责构建YH,WL负责构建YL。WH又可拆分成{WL->H,WH->H},WL->H主要负责XL到YH部分,而WH->H主要负责XH到YH部分。同理WL也可以分成{WL->L,WH->L}两块。其中WL->L和WH->H采用的是普通卷积,这一部分可称为高低频分量信息的自我更新。WL->H和WH->L则是高低频特征信息交互的过程,对于WL->H,首先对输入特征图像进行上采样(upsample),再执行传统卷积。针对WH->L则首先执行下采样(downsample),然后进行普通卷积。 整套流程下来,可以发现,这种滤波加新式卷积的操作是“插片式”的,不需要破坏原来的CNN结构。值得注意的是,低频通道卷积的感受野比传统卷积大了2倍,这使得每一个OctConv层能够捕获更多的上下文信息,从而计算代价和实验精度得到了权衡。图2具体实现如下,其中(p,q)代表特征图的位置坐标,Nk则是定义的一个局部区域。

【参考文献】：
期刊论文
[1]光学遥感图像场景分类技术综述和比较[J]. 李晓斌,江碧涛,王生进.  无线电工程. 2019(04)
[2]利用多尺度特征与深度网络对遥感影像进行场景分类[J]. 许夙晖,慕晓冬,赵鹏,马骥.  测绘学报. 2016(07)



本文编号：3391710