WATT-EffNet：一种用于航拍灾害图像分类的轻量且精准的模型
图像与视频处理
2023-06-21 v2
摘要
将深度学习（DL）分类模型集成到无人机（UAV）中，可显著增强搜救行动与灾害管理工作。在此类关键情形下，无人机迅速理解危机并优化利用其有限电力与处理资源以缩小搜索区域的能力至关重要。因此，开发一种高效轻量的场景分类方法极为重要。然而，现有方法往往以计算效率为代价优先追求在基准数据集上的准确率。为弥补这一不足，我们提出宽注意力高效网络（WATT-EffNet），一种相较于基线 EfficientNet 以更轻量架构实现更高准确率的新方法。WATT-EffNet 利用宽度方向递增特征模块及针对宽度方向特征的注意力机制，确保网络结构保持轻量。我们在基于无人机的航拍灾害图像分类数据集上评估了该方法，结果表明其分类准确率较基线最高提升 15 倍，且按每秒浮点运算数（FLOPs）衡量的计算效率提升 38.3%。此外，我们进行了消融实验以探究 WATT-EffNet 宽度变化对准确率与计算效率的影响。我们的代码见 \url{https://github.com/TanmDL/WATT-EffNet}。
引用
@article{arxiv.2304.10811,
title = {WATT-EffNet: A Lightweight and Accurate Model for Classifying Aerial Disaster Images},
author = {Gao Yu Lee and Tanmoy Dam and Md Meftahul Ferdaus and Daniel Puiu Poenar and Vu N. Duong},
journal= {arXiv preprint arXiv:2304.10811},
year = {2023}
}
备注
This paper is accepted in IEEE Trans. GRSL