基于注意力图的深度判别性表示学习用于场景分类
计算机视觉与模式识别
2019-02-22 v1 机器学习
摘要
学习强大的判别性特征用于遥感图像场景分类是一个具有挑战性的计算机视觉问题。过去，大多数分类方法基于手工特征。然而，最近大多数遥感场景分类方法基于卷积神经网络（CNN）。学习这些CNN模型的实际做法仅使用原始RGB图像块作为输入，并在大量标注数据（ImageNet）上进行训练。在本文中，我们展示了类激活图（CAM）编码的CNN模型，代号DDRL-AM，使用原始RGB图像块和基于注意力图的类信息进行训练，为标准RGB深度模型提供互补信息。据我们所知，我们是首个研究注意力信息编码的CNN。此外，为了增强判别性，我们进一步采用了最近开发的目标函数“中心损失”，该函数在人脸识别中已被证明非常有用。最后，我们的框架以端到端的方式为模型提供注意力引导。在两个基准数据集上的大量实验表明，我们的方法匹配或超过了其他方法的性能。
引用
@article{arxiv.1902.07967,
title = {Deep Discriminative Representation Learning with Attention Map for Scene Classification},
author = {Jun Li and Daoyu Lin and Yang Wang and Guangluan Xu and Chibiao Ding},
journal= {arXiv preprint arXiv:1902.07967},
year = {2019}
}