AutoLC：面向遥感图像土地覆盖分类的轻量且高性能架构搜索
计算机视觉与模式识别
2022-05-12 v1 人工智能
摘要
土地覆盖分类长期以来是遥感领域的难点与热点。随着海量高分辨率遥感（HRS）图像可用，近年来人工设计与自动设计的卷积神经网络（CNNs）已在HRS土地覆盖分类上展现出巨大潜力。其中，前者可获得更优性能，而后者能生成轻量架构。遗憾的是二者均有不足。一方面，由于人工CNN几乎针对自然图像处理提出，用于处理HRS图像时变得十分冗余低效。另一方面，用于密集预测任务的初创神经架构搜索（NAS）技术主要基于编码器-解码器架构，且仅关注编码器的自动设计，致使面对复杂HRS场景时仍难以恢复精细映射。为克服其缺陷并更好解决HRS土地覆盖分类问题，我们提出融合两种方法优势的AutoLC。首先，我们设计分层搜索空间并基于梯度搜索策略获得轻量编码器。其次，我们精心设计了轻量但高性能、且自适应于其自身所搜得解码器的解码器。最后，LoveDA土地覆盖数据集上的实验结果表明，我们的AutoLC方法以远低的计算消耗优于最先进的人工与自动方法。
引用
@article{arxiv.2205.05369,
title = {AutoLC: Search Lightweight and Top-Performing Architecture for Remote Sensing Image Land-Cover Classification},
author = {Chenyu Zheng and Junjue Wang and Ailong Ma and Yanfei Zhong},
journal= {arXiv preprint arXiv:2205.05369},
year = {2022}
}
备注
Early accepted by ICPR 2022