用于甚高分辨率图像分类的循环多分辨率卷积网络
计算机视觉与模式识别
2018-12-05 v1
摘要
甚高分辨率（VHR）卫星图像分类面临三大挑战：1）固有的低类内、高类间光谱相似性；2）可用波段分辨率不匹配；3）需要对噪声分类图进行正则化。传统方法通过采用图像融合、特征提取和分类后地图正则化等独立阶段来应对这些挑战。然而，这些处理阶段并未联合优化当前的分类任务。在本研究中，我们提出一种单阶段框架，将各处理阶段嵌入一个以端到端方式训练的循环多分辨率卷积网络中。该网络的前馈版本称为 FuseNet，旨在使用具有相应下采样和上采样操作的卷积层来匹配 VHR 图像中全色波段与多光谱波段的分辨率。通过称为 ReuseNet 的循环版本，将上下文标签信息融入 FuseNet。我们将 FuseNet 和 ReuseNet 与采用独立处理步骤的方法进行了比较，包括图像融合（如通过插值的全色锐化和重采样）以及地图正则化（如条件随机场）。我们使用菲律宾奎松市的 Worldview-03 图像和德国 Vaihingen 的 ISPRS 2D 语义标注基准数据集，在土地覆盖分类任务上进行了实验。FuseNet 和 ReuseNet 在定量和定性结果上均超越了基线方法。
引用
@article{arxiv.1806.05793,
title = {Recurrent Multiresolution Convolutional Networks for VHR Image Classification},
author = {John Ray Bergado and Claudio Persello and Alfred Stein},
journal= {arXiv preprint arXiv:1806.05793},
year = {2018}
}