遥感场景分类中卷积神经网络的克罗内克积特征融合

Yinzhu Cheng

遥感场景分类中卷积神经网络的克罗内克积特征融合

计算机视觉与模式识别 2024-02-02 v1 机器学习

作者: Yinzhu Cheng

摘要

遥感场景分类是一个具有挑战性且极具价值的研究课题，其中卷积神经网络（CNN）发挥了至关重要的作用。CNN 能够从遥感影像中提取层次化的卷积特征，而不同层级的特征融合可以提升 CNN 的性能。两种成功的特征融合方法——相加（Add）和拼接（Concat），已被用于某些最先进的 CNN 算法中。本文提出了一种新颖的特征融合算法，利用克罗内克积（KPFF）统一了上述方法，并讨论了与该算法相关的反向传播过程。为验证所提方法的有效性，我们设计并进行了一系列实验。结果表明，该方法能有效提升 CNN 在遥感场景分类中的准确率。

关键词

遥感场景分类卷积神经网络特征融合克罗内克积反向传播深度学习

引用

@article{arxiv.2402.00036,
  title  = {Kronecker Product Feature Fusion for Convolutional Neural Network in Remote Sensing Scene Classification},
  author = {Yinzhu Cheng},
  journal= {arXiv preprint arXiv:2402.00036},
  year   = {2024}
}

相关论文

查看更多相关论文 →