基于类的分层 ResNet 用于多光谱遥感图像分类

本文提出了一种多时相、基于类的分层残差神经网络 (ResNet)，用于对不同语义层级的多光谱图像时间序列进行分类。该架构在 ResNet 基础上引入额外的分支，以在不同层级上执行分类，并利用层级惩罚图来抑制分类过程中不一致的层级转换。通过这种方式，我们提升了不同语义细节层级上类的辨识能力，训练出可用于引入新特定类别和额外任务的模块化网络结构（考虑到可获得的有限训练样本）。我们利用类层级标签高效地训练网络的不同层：前几层在层级的前几个层级（即宏类）上快速训练，以建模一般类别和中间类；而后几层则用于辨识更具体的类别（即微类）。如此一来，目标被限制在遵循所定义的层级结构中，从而提高了在最详细层级上类别的分类准确性。该模块化网络具备内在的适应能力，可通过微调实现。实验结果表明，在 2019 年获得的 12 个月的Sentinel-2 影像中，对两个亚马逊雨林区域的实验显示，分层方法在不同层级上的泛化能力以及在新目标区域上对微类层级精准分类的学习能力方面均具有显著效果，尤其能更好地表征少数类样本。