用于航拍图像场景分类的多示例密集连接卷积神经网络
计算机视觉与模式识别
2020-04-22 v1
摘要
随着深度学习的发展，许多先进的自然图像场景分类方法已展现出令人瞩目的性能。当前的卷积神经网络倾向于提取场景中的全局特征和全局语义信息，然而地理空间对象可以位于航拍图像场景中的任何位置，且其空间排列往往更为复杂。一种可能的解决方案是保留更多局部语义信息并增强特征传播。本文提出了一种端到端的多示例密集连接卷积神经网络（MIDCCNN）用于航拍图像场景分类。首先，构建一个 23 层的密集连接卷积神经网络（DCCNN）作为骨干网络以提取卷积特征，它能够保留中低层卷积特征。然后，提出一种基于注意力的多示例池化方法，以突出航拍图像场景中的局部语义。最后，我们最小化包级预测与真实标签之间的损失，从而使整个框架可以直接训练。在三个航拍图像数据集上的实验表明，我们提出的方法能以较大优势超越现有基线。
引用
@article{arxiv.1908.08156,
title = {Multiple instance dense connected convolution neural network for aerial image scene classification},
author = {Qi Bi and Kun Qin and Zhili Li and Han Zhang and Kai Xu},
journal= {arXiv preprint arXiv:1908.08156},
year = {2020}
}
备注
5 pages,3 figures, a conference paper accepted by IEEE ICIP 2019