基于非对称全局卷积神经网络的遥感图像识别方法

摘要

全局卷积神经网络(Non-local CNN)是一种增强的深度卷积神经网络模型,在图像处理任务中用来获取输入图像的全局上下文信息.考虑到部分种类遥感图像内部存在重复像素块或重复目标的特性,笔者提出了一种非对称的全局卷积结构(UNC),用于减少传统全局卷积结构(NC)的计算量,从而提升模型的效率.首先对NC结构中键值对(Key-value)对应的特征图通过下采样降低分辨率;然后将查询值(Query)和下采样后的Key-value特征图逐像素相乘,以获取输入图像的全局上下文表示和加权特征;最后将加权特征和残差连接相加,得到UNC结构的输出.和传统的NC结构相比,UNC是一种更高效、通用的全局上下文信息获取结构,可以用于多种深度CNN模型中.为了验证UNC的有效性,在4种公开的遥感图像目标识别数据集上进行了实验,结果表明:相比NC结构,UNC可以最多减少24.53％的参数以及整体49.1％的浮点运算量,并且在RSSCN7、UCML、WHU-RS19和AID可分别最高取得96.63％,99.16％,98.90％和96.28％的识别准确率,具有较强的实用性和普适性.