基于纹理分析的植物图像分类的 lacunarity 池化层

池化层（如最大池化和平均池化）可能忽略像素强度和/或特征值在空间排列中编码的重要信息。我们提出了一种新颖的 lacunarity 池化层，旨在通过评估局部窗口内的变异性来捕获特征图的空间异质性。该层在多个尺度上工作，使网络能够自适应地学习层次化特征。该 lacunarity 池化层可以无缝集成到任何人工神经网络架构中。实验结果表明，该层在捕获复杂空间模式方面有效，导致更好的特征提取能力。该方法在各类领域特别是农业图像分析任务中都有前景。本工作通过引入一种新颖的池化层来丰富空间特征的表示，推动了人工神经网络架构的演变。我们的代码已公开。