科研之友
微信
新浪微博
Facebook
分享链接
摘要
遥感图像中同一种地物可能对应不同大小尺寸，而卷积核感受野大小固定严重影响了卷积神经网络在遥感场景分类中的性能。针对上述尺度效应问题，本文提出了一种面向高分辨率遥感影像场景分类的弱监督尺度自适应增强网络WSADAN (Weakly-supervised Scale Adaptation Data Augmentation Network)，主要包括尺度生成和尺度融合两个模块。尺度生成模块利用卷积神经网络提取的原图像高层特征学习出适合于不同样本实例的最佳尺度参数；而尺度融合模块通过融合原尺度图像和最佳尺度图像的高层特征进行精化去除冗余，挖掘出不同尺度下特征间的关联信息。最后，联合多尺度特征表达输入到全连接层实现场景类别的预测。本文采用RSSCN7、AID和NWPU这3个遥感场景分类数据集验证方法的有效性，结果表明所提出的网络模型优于传统卷积神经网络，尤其对于尺度变化较大的类别性能提升最为明显。
-
单位中国地质大学（武汉）; 武汉大学测绘遥感信息工程国家重点实验室
