用于土地利用与土地覆盖制图的时空门控多层感知机
计算机视觉与模式识别
2024-06-25 v1 机器学习
摘要
卷积神经网络（CNNs）是广泛用于分层特征提取的模型。视觉 Transformer（ViTs）通过自注意力机制，近期在全局上下文信息建模上取得了优于 CNNs 的表现。然而，要发挥其图像分类优势，ViTs 需要大量训练数据集。在可用训练数据有限时，当前先进的多层感知机（MLPs）可作为深度 CNNs 和 ViTs 的可行替代。本文中，我们开发了 SGU-MLP，一种有效结合 MLPs 与空间门控单元（SGUs）以实现精确土地利用土地覆盖（LULC）制图的学习算法。结果表明，所开发的 SGU-MLP 分类算法优于多种基于 CNN 和 CNN-ViT 的模型，包括 HybridSN、ResNet、iFormer、EfficientFormer 和 CoAtNet。所提 SGU-MLP 算法在美国休斯顿、德国柏林和德国奥格斯堡通过三个实验进行了测试。SGU-MLP 分类模型始终优于基准的基于 CNN 和 CNN-ViT 的算法。例如，在休斯顿实验中，SGU-MLP 的平均准确率分别比 HybridSN、CoAtNet、Efficientformer、iFormer 和 ResNet 显著高出约 15%、19%、20%、21% 和 25%。代码将公开于 https://github.com/aj1365/SGUMLP
引用
@article{arxiv.2308.05235,
title = {Spatial Gated Multi-Layer Perceptron for Land Use and Land Cover Mapping},
author = {Ali Jamali and Swalpa Kumar Roy and Danfeng Hong and Peter M Atkinson and Pedram Ghamisi},
journal= {arXiv preprint arXiv:2308.05235},
year = {2024}
}
备注
Submitted in IEEE