基于模型微调与AM Softmax的极化SAR图像分类

针对极化SAR图像分类中卷积神经网络（CNN）方法训练时间长、收敛速度慢,原始Softmax函数无法对极化SAR图像的类内差异有效应对的问题,提出一种基于模型微调与加性边际Softmax（AM-Softmax）的极化SAR图像分类方法。该方法通过预训练网络的整体微调,来改进CNN模型的效率和分类准确率,然后以AM-Softmax替代Softmax,以解决SAR图像中类内变化较大的问题,进一步提升分类精度。实验表明该方法具有快收敛的优势并且能够较好解决极化SAR图像类内差异较大的问题,模型的分类总体精度达到96%以上。     

MLMS-Net:多层次多尺度点云分类网络

针对传统点云分类网络提取特征较为单一,分类精度较低的问题,提出一种多层次多尺度点云分类网络MLMS-Net。首先使用预处理算法将原始点云分割为小样本,以得到批处理输入,提高训练效率;然后使用K近邻算法和边缘特征向量分别提取点云的低层次结构特征和边缘特征,通过设置不同邻域值,有效获取上下文信息,通过点内和点间多层次表达获得局部细粒度描述;接着对两种低层次特征分别构建卷积神经网络,随着网络层次的加深,特征抽象程度越来越高,区分程度也随之增加,从而有效提高准确性;最后利用后处理模块融合深层特征,完成点云分类任务。使用Vaihingen数据集对MLMS-Net网络进行测试,其分类精度相较单层次网络提高了0.6%～15.9%。