深度卷积神经网络在高分辨率遥感图像识别中的选择性与不变性表征研究
计算机视觉与模式识别
2017-08-07 v1
摘要
人类视觉在图像识别中具有很强的鲁棒性。深度卷积神经网络（DCNN）的认知能力接近人类视觉水平，因为它直接从原始图像进行分层编码。凭借其在特征表示上的优越性，DCNN 在高分辨率遥感（HRRS）图像场景识别和高光谱遥感图像分类中表现出卓越的性能。深入探究 DCNN 为何能通过其有效的特征表示准确识别各种地物仍然至关重要。因此，我们在构建的大规模遥感图像识别基准上训练了名为 AlexNet 的深度神经网络。在每个卷积层的神经元层面，我们利用视觉刺激-特征响应与特征编码-分类解码相结合的框架，分析了 DCNN 在 HRRS 图像识别中的一般特性。具体而言，我们使用直方图统计、表征相异矩阵和类激活映射来观察 DCNN 在 HRRS 图像识别中的选择性和不变性表征。我们认为，选择性和不变性表征在遥感图像任务（如分类、检测和分割）中扮演着重要角色。同时，选择性和不变性表征对于设计用于分析和理解遥感图像的新型类 DCNN 模型也具有重要意义。
引用
@article{arxiv.1708.01420,
title = {On the Selective and Invariant Representation of DCNN for High-Resolution Remote Sensing Image Recognition},
author = {Jie Chen and Chao Yuan and Min Deng and Chao Tao and Jian Peng and Haifeng Li},
journal= {arXiv preprint arXiv:1708.01420},
year = {2017}
}
备注
68 pages, 13 pages