计算机与现代化 ›› 2024, Vol. 0 ›› Issue (12): 72-77.doi: 10.3969/j.issn.1006-2475.2024.12.011
摘要: 针对遥感影像背景复杂且场景目标尺度信息不同导致模型分类准确度较低的问题,提出一种基于注意力的深度可分离多尺度扩张特征融合网络的遥感图像场景分类模型(Depthwise Separable Multi-scale Dilated Convolution, DSMSC)。首先,该模型基于深度可分离卷积构建特征提取模块,在提取影像深层特征的同时减少参数量;然后,通过多尺度扩张卷积模块增大网络感受野,获取图像的全局特征和关联特征;最后,利用注意力机制使网络关注重要的特征并将其输入到Softmax分类器进行分类。在遥感场景AID和WHU-RS19这2个数据集上进行验证,实验结果表明与AlexNet、VGG-16、ResNet18等模型相比,本文模型的准确率分别提高到93.32%和91.15%,同时具有较低的参数量,对遥感图像场景分类具有一定的应用前景。
中图分类号: