科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】针对在具有复杂空间结构和地理布局的遥感图像场景分类任务中，深度卷积神经网络(CNNs)虽然具有更好的分类性能，但是通常具有高复杂度，存在不适用于移动或嵌入式设备等问题，提出了一种新的轻量级沙漏密集网络(LHD-NET)，以实现分类精度和模型复杂性之间良好的权衡。【方法】首先通过具有特征补偿机制的浅层混合下采样结构提取浅层信息，在保证信息充分提取的同时可以减少后续层的参数数量，从而在保持模型轻量级的同时提高性能；然后在沙漏结构间采用密集连接以提高特征复用，在一定程度上避免梯度消失，促进了信息传递；最后利用具有较高语义信息的最后一个卷积层特征来指导多层特征聚合，以此来提高分类器的性能，同时训练过程中采用了基于标签平滑的交叉熵损失函数对真实标签进行了平滑处理，相比于普通交叉熵损失函数能够有效提高鲁棒性和减轻模型的过拟合问题。【结果】实验结果表明，该模型在5.4M参数量下取得了显著的分类性能，在UC Merced Land-Use、SIRI-WHU和NWPU-RESISC45三个公开遥感数据集上分别取得了99.19%，97.75%和92.38%的平均分类准确率。【结论】通过实验结果可证明所提模型能够在少量参数下取得较好分类性能，相较于深度神经网络在保持高分类精度的前提下能显著降低模型参数量，对遥感图像场景分类任务及模型轻量化具有一定的参考价值。
- 单位
