用于高分辨率卫星图像分类的多尺度深度特征学习
计算机视觉与模式识别
2016-11-14 v1
摘要
本文提出一种用于高分辨率卫星图像分类的多尺度深度特征学习方法。具体地，我们首先将原始卫星图像扭曲为多个不同尺度。每个尺度的图像被用于训练深度卷积神经网络(DCNN)。然而，同时训练多个DCNN耗时较长。为解决此问题，我们探索带有空间金字塔池化(SPP-net)的DCNN。由于不同的SPP-net具有相同数量的参数，它们共享相同的初始值，且仅微调全连接层中的参数即可保证各网络的有效性，从而极大加速训练过程。随后，多尺度卫星图像分别输入至其对应的SPP-net中以提取多尺度深度特征。最后，开发一种多核学习方法来自动学习此类特征的最优组合。在两个困难数据集上的实验表明，与其他state-of-the-art方法相比，所提方法取得了良好的性能。
引用
@article{arxiv.1611.03591,
title = {Learning Multi-Scale Deep Features for High-Resolution Satellite Image Classification},
author = {Qingshan Liu and Renlong Hang and Huihui Song and Zhi Li},
journal= {arXiv preprint arXiv:1611.03591},
year = {2016}
}