用于甚高分辨率遥感场景分类的增强多级特征
计算机视觉与模式识别
2024-02-27 v3
摘要
甚高分辨率（VHR）遥感（RS）场景分类因更高的类间相似性与类内变异性问题而是一项具挑战性的任务。近来，现有基于深度学习（DL）的方法在 VHR RS 场景分类中展现出巨大前景。然而，它们仍提供不稳定的分类性能。为解决该问题，我们在本快报中提出一种新颖的基于 DL 的方法。为此，我们设计了一种增强 VHR 注意力模块（EAM），其后接空洞空间金字塔池化（ASPP）与全局平均池化（GAP）。该过程赋予相应层级以增强特征。随后，执行多级特征融合。在两个广泛使用的 VHR RS 数据集上的实验结果表明，所提方法以 0.001 的最小标准差取得了具竞争力且稳定/鲁棒的分类性能。此外，在 AID 与 NWPU 数据集上的最高总体精度分别为 95.39% 与 93.04%。
引用
@article{arxiv.2305.00679,
title = {Enhanced Multi-level Features for Very High Resolution Remote Sensing Scene Classification},
author = {Chiranjibi Sitaula and Sumesh KC and Jagannath Aryal},
journal= {arXiv preprint arXiv:2305.00679},
year = {2024}
}
备注
This paper has been submitted to the journal for peer review. Based on the journal's policy and restrictions, this version may be updated or deleted