MGML：用于遥感场景分类的多粒度多级特征集成网络
计算机视觉与模式识别
2022-01-11 v1 人工智能
机器学习
摘要
遥感(RS)场景分类是一项预测 RS 图像场景类别的具有挑战性的任务。RS 图像有两个主要特征：由大分辨率差异引起的类内方差大，以及由大地理覆盖区域带来的混淆信息。为缓解上述两个特征带来的负面影响，本文提出一种多粒度多级特征集成网络(MGML-FENet)以高效处理 RS 场景分类任务。具体而言，我们提出多粒度多级特征融合分支(MGML-FFB)，通过通道分离特征生成器(CS-FG)在网络的不同层级提取多粒度特征。为避免混淆信息的干扰，我们提出多粒度多级特征集成模块(MGML-FEM)，其可通过全通道特征生成器(FC-FG)提供多样化预测。与以往方法相比，我们所提网络能够利用结构信息与丰富的细粒度特征。此外，通过集成学习方法，我们所提 MGML-FENet 可获得更具说服力的终预测。在多个 RS 数据集(AID、NWPU-RESISC45、UC-Merced 和 VGoogle)上的大量分类实验表明，我们所提网络取得了优于以往最优(SOTA)网络的性能。可视化分析也展示了 MGML-FENet 良好的可解释性。
引用
@article{arxiv.2012.14569,
title = {MGML: Multi-Granularity Multi-Level Feature Ensemble Network for Remote Sensing Scene Classification},
author = {Qi Zhao and Shuchang Lyu and Yuewen Li and Yujing Ma and Lijiang Chen},
journal= {arXiv preprint arXiv:2012.14569},
year = {2022}
}
备注
14 pages, 8 figures