改进残差神经网络在遥感图像分类中的应用

摘要：

针对传统卷积神经网络随着深度加深而导致网络退化以及计算量大等问题,提出一种改进残差神经网络的遥感图像场景分类方法.该方法以残差网络ResNet50作为主框架,在残差结构中引入深度可分离卷积和分组卷积,减少了网络的参数量和计算量,加快模型收敛的同时也提升了分类精度.此外在网络中嵌入多尺度squeeze and excitation block模块对通道特征进行重校准,提取出更加重要的特征信息,进一步提升了网络的分类性能.在航空图像数据集(aerial image dataset,AID)和UCMerced_Land Use两个公开数据集上的分类精度分别为91.92％和93.52％,相比常规残差网络分类精度分别提高了3. 38%和10. 24%,证明所提方法在遥感图像场景分类任务中的可行性和有效性.

关键词：遥感图像;场景分类;残差神经网络;分组卷积;深度可分离卷积;多尺度缩聚与激发模块

所属期刊栏目：21

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;新疆维吾尔自治区区域协同创新专项科技援疆计划

在线出版日期：2021-12-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：13421-13429