扫码下载APP

您的位置

资讯详情

本人可编辑资讯

仅支持在APP编辑资讯扫描二维码即可下载APP

武汉大学最新研究:基于多尺度协方差度量网络的少拍遥感图像场景分类

论论资讯 | 2023-04-20 1热度

Neural Networks

Explore content

About the journal

Publish with us

Few-shot remote sensing image scene classification based on multiscale covariance metric network (MCMNet)

Chen X.; Zhu G.; Liu M.; Chen Z.

Published:2023-06-01
DOI:10.1016/j.neunet.2023.04.002

研究背景

现今社会,遥感技术被广泛应用于农业、城市规划、环境监测等领域,但是由于遥感图像数据的获取和标注难度大,导致遥感图像场景分类(RSSC)领域存在着样本稀缺的问题。为了解决这个问题,研究人员提出了Few-shot learning(FSL)的方法,该方法可以在训练集和测试集的标签空间不重复的情况下,快速识别测试集中未知图像的类别,因此被广泛应用于图像场景识别领域。然而,目前大多数现有的FSL方法将图像嵌入到欧几里得空间中,并通过欧几里得距离测量深度网络最后一层的特征之间的相似度,难以测量遥感图像的类间相似度和类内差异度。

研究内容

本文提出了一种多尺度协方差网络(MCMNet)来解决RSSC领域的问题。该网络以Conv64F为骨干结构,将网络的1、2和4层特征映射到流形空间中,通过构建区域协方差矩阵形成具有不同尺度的协方差网络。对于每层特征,我们在流形空间中引入中心原型来表示不同类别的特征,并同时测量不同尺度的三个原型之间的相似度,形成三个损失函数,并通过集成训练策略来优化整个网络。我们在三个公共数据集上进行了比较实验,结果表明,我们提出的方法的分类准确率(CA)比最优方法高出1.35%到2.36%,证明了MCMNet的性能优于其他方法。

研究意义

本文提出了一种新的方法,即MCMNet,可以有效地解决RSSC领域的样本稀缺问题。相比于其他现有的FSL方法,MCMNet在测量遥感图像的类间相似度和类内差异度方面具有更好的性能。这项研究的创新点在于提出了一种多尺度协方差网络,可以在不同尺度上度量特征之间的相似度,从而提高分类准确率。这项研究对于提高遥感图像场景分类的准确性和效率具有重要意义。

微信扫码即可查看