LO-MLPRNN:通过融合选择性卷积来进行多光谱遥感图像的分类算法

科学领域:

• 遥感 遥感 遥感 遥感
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算机视觉 计算机视觉

背景情况:

• 传统的深度学习方法很难充分利用多光谱遥感 (RS) 图像中的上下文信息.
• 准确的土地覆盖分类对于环境监测和资源管理至关重要.

研究的目的:

• 提出一个改进的植被覆盖分类算法,LO-MLPRNN,它增强了在多谱RS图像中的上下文信息的利用.
• 通过集成先进的深度学习模块来实现精确的像素级土地覆盖分类.

主要方法:

• 拟议的LO-MLPRNN算法集成了大型选择性内核网络 (LSK) 和全维动态卷积 (ODC) 与多层感知器循环神经网络 (MLPRNN).
• 平行连接的ODC和LSK模块可自适应地调整卷积内核参数,并优化空间受体场,以实现多视角特征融合.
• 提取的特征通过一个Gate Recurrent Unit (GRU) 和完全连接的层进行处理,这些层具有增强的非线性特征,用于像素级分类.

主要成果:

• 在GF-2和Sentinel-2多光谱RS图像上,LO-MLPRNN在99.11%和99.43%的高整体精度上分别实现了高精度.
• 在测试的数据集中,该算法在视觉变压器 (ViT) 的表现上表现优于2.61%和3.98%.
• 甘的特定分类准确度达到99.70%和99.67%,证明了卓越的性能.

结论:

• LO-MLPRNN算法有效地解决了传统深度学习在处理多谱RS图像方面的局限性.
• 集成LSK和ODC模块使高效的多视角特征融合和自适应感应场优化成为可能.
• 拟议的方法在植被覆盖的分类方面表现出卓越的表现,特别是对于特定的作物类型,如甘.