卷积神经网络在遥感场景分类中的 Kronecker 乘积特征融合

Jan, 2024

卷积神经网络在遥感场景分类中的 Kronecker 乘积特征融合

Kronecker Product Feature Fusion for Convolutional Neural Network in Remote Sensing Scene Classification

Yinzhu Cheng

TL;DR远程感知场景分类是一个具有挑战性和有价值的研究课题，其中卷积神经网络在其中发挥着至关重要的作用。本文提出了一种利用 Kronecker 积的新型特征融合算法，并讨论了与该算法相关的反向传播过程，实验证明了该方法在远程感知场景分类中提高卷积神经网络准确性的有效性。

Abstract

remote sensing scene classification is a challenging and valuable research topic, in which convolutional neural network (CNN) has played a crucial role. CNN can extract hierarchical convolutional features from re

remote sensing scene classification convolutional neural network feature fusion kronecker product backpropagation

发现论文，激发创造

无监督融合卷积神经网络方法用于遥感图像变化检测

本文介绍了一种基于无监督浅层卷积神经网络（USCNN）融合方法进行变化检测，通过使用不同大小的卷积核对双时相图像进行多尺度信息提取，将相同尺度的差异特征图通过 1*1 卷积层融合为一个特征图，最后通过 1*1 卷积层融合不同尺度的输出特征，实现图像的多尺度信息融合。实验证明了该方法在四个真实遥感数据集上的可行性和有效性。

Nov, 2023

基于 Kronecker 的树状卷积网络用于语义分割

本文提出了基于 Kronecker 卷积和树形特征聚合 (TFA) 模块的树形 Kronecker 卷积网络 (TKCN)，旨在解决现有的语义分割方法在扩大接受区域时忽略局部信息的问题，能够同时捕获局部信息和扩大滤波器的接收域，进一步实现多尺度物体的表示学习和复杂场景中的分层上下文信息编码。

Dec, 2018

遥感图像无监督深度特征提取分类

介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

Nov, 2015

近距离和远程感知的统一模型

本文提出了一种新型卷积神经网络架构，用于估计地理空间函数，并使用各种标签创建了一个大型数据集进行评估。

Aug, 2017

遥感图像超分辨率的高级特征提取模块

提出了一种名为 Channel and Spatial Attention Feature Extraction (CSA-FE) 的高级特征提取模块，通过使用通道和空间注意力结合标准视觉变换器 (ViT)，有效提取特征；在 UCMerced 数据集上进行了训练，实验证明我们的方法可以使模型专注于包含高频信息的特定通道和空间位置，从而提高超分辨率图像的质量，并且相较于现有模型，我们的模型表现出更优秀的性能。

May, 2024

利用卷积神经网络更好地进行遥感场景分类

研究使用现有卷积神经网络 (ConvNets) 的三种策略：完全训练、微调和使用 ConvNets 作为特征提取器，并在使用三个遥感数据集进行了实验，结果发现对 ConvNets 进行微调是最佳的策略，使用微调后的 ConvNets 特征与线性 SVM 结合可以获得最佳结果，同时也在三个数据集上取得了最先进的结果。

Feb, 2016

远程感知中的卫星图像分类的 Kolmogorov-Arnold 网络

本研究提出了一种名为 KCN 的新方法，将 Kolmogorov-Arnold Network（KAN）与各种预训练的卷积神经网络（CNN）模型结合，以用于利用 EuroSAT 数据集进行遥感场景分类任务，取得了高准确性且仅需少量训练轮数和参数，为遥感分类任务中的图像分析提供了一种高效的替代方案。

Jun, 2024

用完全卷积网络对高分辨率航空影像进行密集语义标注

本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

Jun, 2016

一种增强的深度特征表示方法用于人员再识别

本文提出 Feature Fusion Net 模型，使用手工制作的直方图和纹理特征，能够与卷积神经网络 (CNN) 特征互补，可以得到一个更具区分性和紧凑的深度特征表示，并在 VIPeR、CUHK01 和 PRID450s 三个数据集上进行了验证。

Apr, 2016

用于语义分割的融合注意力网络，在极高分辨率遥感图像中的应用

本文提出了一种多路径编码器结构来提取多路径输入的特征，多路径注意力融合块模块来融合多路径特征，以及细化注意力融合块模块来融合高层抽象特征和低层空间特征。同时，提出了一种新的卷积神经网络架构，名为注意力融合网络 (AFNet)。基于该 AFNet，在 ISPRS Vaihingen 2D 数据集上达到了 91.7% 的整体精度和 90.96% 的平均 F1 分数，在 ISPRS Potsdam 2D 数据集上达到了 92.1% 的整体精度和 93.44% 的平均 F1 分数，取得了最先进的性能。

May, 2021