DGCNet：一种基于动态组卷积的高效3D-Densenet用于高光谱遥感图像分类
计算机视觉与模式识别
2023-07-14 v1
摘要
深度神经网络在高光谱图像分类领域面临诸多问题，如随着模型深度增加，空间光谱信息缺乏有效利用、梯度消失和过拟合。为了在具有严格延迟要求和有限算力的边缘设备上加速模型部署，我们引入了一种基于改进3D-Densenet模型的轻量级模型并设计了DGCNet。它改善了组卷积的缺点。参考动态网络的思想，在3D卷积核上设计了动态组卷积（DGC）。DGC为每个分组引入小型特征选择器，基于所有输入通道的激活动态决定连接输入通道的哪一部分。多个分组可捕获输入图像不同且互补的视觉与语义特征，使卷积神经网络（CNN）能够学习丰富特征。3D卷积提取高维且冗余的高光谱数据，卷积核之间也存在大量冗余信息。DGC模块使3D-Densenet能够选择语义特征更丰富的通道信息并丢弃不活跃区域。经过DGC模块的3D-CNN可视为剪枝后的网络。DGC不仅使3D-CNN完成充分的特征提取，还兼顾了速度与计算量的要求。推理速度与精度均得到提升，在IN、Pavia和KSC数据集上表现突出，领先于主流高光谱图像分类方法。
引用
@article{arxiv.2307.06667,
title = {DGCNet: An Efficient 3D-Densenet based on Dynamic Group Convolution for Hyperspectral Remote Sensing Image Classification},
author = {Guandong Li},
journal= {arXiv preprint arXiv:2307.06667},
year = {2023}
}