创新成果
创新成果
位置: 首页 > 创新成果 > 正文

童伟(硕士研究生),陈伟涛*,王力哲* 等,计算机学院. Journal of Selected Topics in Applied Earth Observations and Remote Sensing(2020). Channel-Attention-Based DenseNet Network for Remote Sensing Image Scene Classification

来源: 作者:发稿时间:2020-08-08 21:24浏览次数:

近日,对地观测领域国际重要期刊《Journal of Selected Topics in Applied Earth Observations and Remote Sensing》刊发了我校计算机学院遥感智能解译团队的研究成果——“Channel-Attention-Based DenseNet Network for Remote Sensing Image Scene Classification "该论文第一作者童伟为计算机学院硕士研究生,通讯作者为陈伟涛副教授和王力哲教授。

遥感信息模型与深度学习技术的结合是当前遥感解译的研究热点。在高分辨率遥感影像中,地物具有不同的形状、结构和纹理信息,它们以不同的组合空间排列方式,形成了不同的清晰的场景语义类别。比如机场场景,通常由飞机、跑道、不透水面等要素组成。因此,“场景分类”是遥感信息提取的一个重要环节,是提升对地观测信息认知能力的重要途经之一。

如何能够智能获取遥感敏感特征是遥感场景分类的关键技术瓶颈之一。尽管卷积神经网络在遥感场景分类中取得了显著成果,但是场景图像在多尺度地物之间呈现复杂的语义关系,传统的堆叠网络结构缺乏提取多尺度和遥感敏感特征的能力,导致场景分类中遥感特征的表征能力有限。因此,该论文提出了一种基于通道注意力的DenseNet网络结构。首先,选择轻量级Densenet121作为主干网络来识别复杂的多尺度地物。在空间域中,紧密连接的卷积神经网络层可以在多个尺度上提取空间特征并相互关联。其次,在特征域中,植入一种特征注意机制,以自适应地增强重要特征信道的权重并抑制次要特征信道。最后,使用基于标签平滑的交叉熵损失函数来减少数据集的类间相似性对特征表示的影响。

论文将Densenet和特征注意力机制相结合,并引入了基于标签平滑的交叉熵损失函数来高效的进行遥感场景图像分类,通过大规模多源数据集的测试,结果表明提出的网络模型能够有效地提升高分辨率遥感场景图像分类精度。

该项研究成果受到国家自然科学基金、中央高校基本科研业务经费等项目的资助。


论文信息:

Title:Channel-Attention-Based DenseNet Network for Remote Sensing Image Scene Classification

Authors: Wei Tong, Weitao Chen*, Wei Han, Xianju Li, and Lizhe Wang*

Source: Journal of Selected Topics in Applied Earth Observations and Remote Sensing

Available onlinehttps://ieeexplore.ieee.org/document/9141394

DOI:10.1109/JSTARS.2020.3009352