-
题名基于自注意力卷积网络的遥感图像分类
被引量：17
- 1
-
-
作者
李彦甫
范习健
杨绪兵
徐新洲
-
机构
南京林业大学信息科学技术学院
南京邮电大学物联网学院
-
出处
《北京林业大学学报》
CAS
CSCD
北大核心
2021年第10期81-88,共8页
-
基金
国家自然科学基金项目(61902187、61801241)
江苏省自然科学基金项目(BK20180746)
+1 种基金
辽宁省自然科学基金项目(2020-KF-22-04)
南京市留学人员科技创新项目。
-
文摘
【目的】遥感图像分类技术在森林资源调查、生态工程规划以及森林病虫害防控等林业监测业务中,扮演着至关重要的角色。通过引入自注意力模块增强卷积网络对遥感图像的特征刻画能力,以期提高遥感图像的分类效果。【方法】该文提出了一种融合自注意力机制和残差卷积网络的遥感图像分类方法,首先利用卷积神经网络提取丰富的深度纹理语义特征,然后在卷积网络的最后3个瓶颈层嵌入多头自注意力模块,挖掘遥感图像复杂的全局结构信息。嵌入自注意力模块的卷积分类网络,能够有效提升遥感图像的分类精确度。该研究使用RSSCN7、EuroSAT与PatternNet 3个公开的遥感图像数据集,基于Pytorch深度学习库训练与测试该方法,并增加与已有分类框架算法精度和性能的对比试验。同时,使用不同批次、不同数量大小的数据训练改进研究提出的方法,并测试分类效果。【结果】试验得出,该研究提出的方法在3个遥感分类数据集上的平均识别率分别达到了91.30%、97.88%和97.37%,其中在前两个数据集上较现有的基于深度卷积网络的算法分别提升了2.26%和3.73%。同时,该算法的总参数量为2.08×10^(7),较现有参数量最低的方法减少了5.2×10^(6)。【结论】相比已有的遥感图像分类框架,该研究提出的方法能够在图形处理器(GPU)加速的环境中,取得更为准确的分类效果。同时有效减少了模型的参数量,提高了算法执行的效率,便于后续的实际应用部署。
-
关键词
遥感图像
卷积神经网络
多头自注意力模块
图像分类
-
Keywords
remote sensing image
convolutional neural network
multi-head self-attention block
image classification
-
分类号
S771.8
[农业科学—森林工程]
TP751.1
[自动化与计算机技术—检测技术与自动化装置]
-
