远程传感图像分类 基于的运营商 增强的边缘功能
Mo Zhou1, Yue Zhou1, Dawei Yang1
1College of Information Science and Engineering, Shenyang Ligong University, Shenyang 110159, China.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
本研究介绍了一种加尼边缘增强的多层次注意力特征融合网络 (CAF),用于改进远程传感图像分类. 结合边缘细节可以显著提高准确性,而不是仅使用全局特征的方法.
科学领域:
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 遥感图像分类对于解释大量多源数据至关重要.
- 精确的特征提取和属性理解对于提高复杂遥感图像的分类准确性至关重要.
研究的目的:
- 开发一个先进的远程传感图像分类网络,有效地融合全球和详细特征.
- 提高特征表示的辨别力,以更准确地进行场景分类.
主要方法:
- 提出了一个加尼边缘增强的多层次注意力特征融合网络 (CAF).
- 全球特征采用深度卷积网络提取,而Canny边缘检测捕获了详细的边缘信息.
- 一个注意力特征融合 (AFF) 网络整合了这些特征以增强表示.
主要成果:
- 在NWPU-RESISC45,UCM和MSTAR数据集上评估了CAF方法.
- 实验结果表明,通过结合边缘细节的CAF方法,超过了传统的基于特征的全球分类方法.
结论:
- 将边缘信息与全球功能相结合,可以显著提高远程传感图像分类准确性.
- 拟议的CAF网络为复杂的遥感场景分类任务提供了更具歧视性的方法.
