典型文献
融合卷积注意力机制与深度残差网络的遥感图像分类
文献摘要：
针对遥感影像场景数据空间信息丰富,冗余地理特征干扰深度神经网络模型的问题,提出在深度残差网络中引入卷积注意力机制(Convolutional Block Attention Module,CBAM)的策略.为验证深度残差网络引入CBAM的有效性,用经典深度残差网络ResNet50和融合注意力机制的深度残差网络CBAM_ResNet50在雪地、岩石、城市、水和森林五类别遥感图像数据集进行对比验证.实验结果表明,CBAM_ResNet50网络模型在准确率、精确度、敏感度和F1SCORE上分别提高了 0.65％、0.38％、0.62％和0.60％.引入注意力机制以合理的额外时间成本减少了遥感场景特征的冗余映射,使特征提取网络能够获得更多与任务目标相关的信息而舍弃掉其他无用的信息.
文献关键词：
遥感图像分类;深度学习;卷积注意力机制;深度残差网络;神经网络
中图分类号：
作者姓名：
蒋正锋;何韬;施艳玲;龙翔;杨淑慧
作者机构：
广西民族师范学院数理与电子信息工程学院,广西崇左 532200
文献出处：
引用格式：
[1]蒋正锋;何韬;施艳玲;龙翔;杨淑慧-.融合卷积注意力机制与深度残差网络的遥感图像分类)[J].激光杂志,2022(04):76-81
A类：
F1SCORE
B类：
卷积注意力机制,深度残差网络,遥感图像分类,遥感影像场景,数据空间,空间信息,余地,地理特征,深度神经网络模型,Convolutional,Block,Attention,Module,CBAM,ResNet50,雪地,五类,图像数据集,对比验证,额外时间,时间成本,场景特征,特征提取网络,任务目标,目标相关,舍弃,无用
AB值：
0.329227
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
