基于深度多分支特征融合网络的光学遥感场景分类

针对遥感图像背景复杂且存在某场景图像中关键物体小且尺度变化较大,需提升模型表征能力来准确辨别各类场景的问题,提出了一种深度多分支特征融合网络的方法进行遥感图像场景分类.利用多分支网络结构提取高、中、低三个层次的特征信息,将三个层次的特征进行基于拆分-融合-聚合的分组融合,最后为了关注难辨别样本和标签位置损失,提出一种损失函数.试验结果证明,本文所提出的方法对于提高分类准确率十分有效,在UCM、AID和OPTIMAL三个数据集上的准确率超过其他算法.在数据集UCM上80%样本训练,准确率达到了99.29%,与ARCNet-VGG16算法相比分类准确率提高了1.35%.在数据集AID上50%样本训练,准确率达到了95.56%,与Two-Stream算法相比提高了0.98%.在数据集OPTIMAL上80%样本训练,准确率达到95.43%,与ARCNet-VGG16算法相比提升2.73%.     

基于多级别跨层双线性融合的光学遥感图像场景分类

针对光学遥感场景图像存在由空间模式复杂、类间相似度大和同类多样性高导致的模型分类准确度受限的问题,提出一种基于多级别跨层双线性融合的光学遥感场景分类算法.首先从ResNet50模型中提取多层次特征信息,将膨胀卷积的扩张率设置为不同数值来提取多个空间尺度下的上下文特征,通过串行融合多尺度特征丰富特征信息的场景语义.为了充...