基于OctConv的DCNN在遥感图像场景分类中的应用

• 作者: 刘发林 周国雄 陈爱斌 高原
• 来源期刊: 电子测量与仪器学报
• 学科: 工学
• 关键词: 遥感 场景分类 OctConv DCNN 迁移学习
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 学术论文
• 页码范围: 61-67
• 页数: 7页
• 分类号: TP751|TN713
• 语种: 中文
• DOI: 10.13382/j.jemi.B1902379

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周国雄		50	187	8.0	11.0
2	陈爱斌		38	160	7.0	11.0
3	刘发林		54	366	12.0	16.0
4	高原		1	0	0.0	0.0