典型文献
基于小波-空间高阶特征聚合网络的遥感图像场景分类
文献摘要：
提出一种小波-空间高阶特征聚合网络(WHF A-Net),该网络可分为小波域特征提取和空间域特征提取两个分支.首先,将Harr小波变换嵌入卷积神经网络(CNNs),保留深度卷积特征的低频分量作为小波深度特征;其次,利用最大池化进行深度特征学习,并将其输出作为空间深度特征;将两分支的深度特征进行向量化后,获取其自相关和互相关高阶深度特征向量,并依次进行特征正规化、特征聚合和特征归一化操作;最后,引入交叉熵损失函数进行端到端网络训练.在NWPU45(NWPU-RESISC45 Dataset)和AID(Aerial Image Dataset)数据集上的实验结果表明:相较于基准网络(VGG-16),本文所提WHFA-Net的场景分类准确率有5.13％～12.12％的提升;与DCCNN、APDC-Net、GBNet、LCNN-BFF、MSCP和Wavelet CNN相比,WHFA-Net的场景分类准确率均有不同程度的提升;通过消融实验验证了各模块和分支的有效性及其性能差异.因此,WHFA-Net可有效且稳定地抽取遥感场景图像不同特征域的高阶聚合特征,并提升场景分类准确率.
文献关键词：
遥感;场景分类;卷积神经网络;特征可辨别性;特征聚合
中图分类号：
作者姓名：
倪康;翟明亮;王鹏
作者机构：
南京邮电大学计算机学院、软件学院、网络空间安全学院,江苏南京210023;江苏省大数据安全与智能处理重点实验室,江苏南京210023;南京邮电大学自动化学院、人工智能学院,江苏南京210023;南京航空航天大学电子信息工程学院,江苏南京211106
文献出处：
引用格式：
[1]倪康;翟明亮;王鹏-.基于小波-空间高阶特征聚合网络的遥感图像场景分类)[J].光学学报,2022(24):204-213
A类：
WHF,Harr,NWPU45,WHFA,DCCNN,GBNet,LCNN,BFF,MSCP,特征可辨别性
B类：
于小波,特征聚合,聚合网络,遥感图像场景分类,小波域,空间域,小波变换,CNNs,深度卷积特征,低频分量,波深,最大池化,深度特征学习,空间深度,两分,行向量,向量化,自相关,互相关,特征向量,正规化,特征归一化,交叉熵损失函数,端到端网络,网络训练,RESISC45,Dataset,AID,Aerial,Image,基准网络,VGG,分类准确率,APDC,Wavelet,消融实验,性能差异,场景图像,聚合特征
AB值：
0.339895
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。
