一种基于 ReLU 的轻量级特征融合用于航空场景分类
图像与视频处理
2021-06-16 v1 计算机视觉与模式识别
摘要
本文提出一种针对航空场景分类问题的基于迁移学习的模型构建技术。该技术的核心是一种称为基于 ReLU 的特征融合(ReLU-Based Feature Fusion, RBFF)的层选择策略,其从预训练的基于 CNN 的单目标图像分类模型(即 MobileNetV2)中提取特征图,并构建用于航空场景分类任务的模型。RBFF 将选自 MobileNetV2 少数若干块(batch normalization 层)的特征进行堆叠,这些候选块依据其所含 ReLU 激活层的特性来选取。随后使用降维算法将特征向量压缩至低维特征空间,并在其上训练一个低代价的 SVM 分类器以对航空图像进行分类。我们基于所提取特征相对于分类流程的显著性来验证所选特征的合理性。RBFF 显著地不涉及基础 CNN 模型的任何训练(分类器少数参数除外),这使得该技术在实际部署中极具成本效益。所构建的模型虽轻量,却在多个航空场景数据集上的准确率优于若干近期提出的模型。
引用
@article{arxiv.2106.07879,
title = {A Lightweight ReLU-Based Feature Fusion for Aerial Scene Classification},
author = {Md Adnan Arefeen and Sumaiya Tabassum Nimi and Md Yusuf Sarwar Uddin and Zhu Li},
journal= {arXiv preprint arXiv:2106.07879},
year = {2021}
}
备注
To be presented in IEEE ICIP'21