用于多源遥感数据的可学习架构单流CNN
计算机视觉与模式识别
2022-06-15 v2 机器学习
图像与视频处理
摘要
在本文中，我们提出了一种基于深度卷积神经网络（CNN）的高效且可泛化的框架，用于多源遥感数据联合分类。虽然近期的方法大多基于多流架构，我们使用组卷积在单流网络内高效地构建等效的网络架构。我们进一步采用并改进动态分组卷积（DGConv），使组卷积超参数以及整体网络架构能够在网络训练过程中可学习。因此，所提出的方法在理论上可将任何现代CNN模型调整到任何多源遥感数据集，并有可能避免由手动决定的架构超参数导致的次优解。在实验中，所提出的方法被应用于ResNet和UNet，调整后的网络在三个差异很大的基准数据集（即Houston2018数据、Berlin数据和MUUFL数据）上进行了验证。实验结果证明了所提出的单流CNN的有效性，特别是ResNet18-DGConv在HS-SAR Berlin数据集上将最先进的分类总体精度（OA）从提升至。在实验中我们有两个有趣的发现。首先，使用DGConv通常降低测试OA方差。其次，如果施加到前几层，多流对模型性能有害，但如果应用于更深的层则变得有益。总之，这些发现意味着多流架构并非深度学习中用于多源遥感数据模型的严格必要组件，本质上扮演着模型正则化器的角色。我们的代码公开于https://github.com/yyyyangyi/Multi-source-RS-DGConv。我们希望我们的工作能启发未来的新颖研究。
引用
@article{arxiv.2109.06094,
title = {Single-stream CNN with Learnable Architecture for Multi-source Remote Sensing Data},
author = {Yi Yang and Daoye Zhu and Tengteng Qu and Qiangyu Wang and Fuhu Ren and Chengqi Cheng},
journal= {arXiv preprint arXiv:2109.06094},
year = {2022}
}