Abstract:
针对当前基于深度学习的场景分类方法所提取特征鉴别能力有限、分类效果不理想的问题,为了促进场景代表性特征的有效学习,本研究提出一种包含卷积流和转换器流的双流架构SC-ETNet用于遥感图像场景分类。具体而言,卷积流采用空间和通道重建卷积对卷积层提取的特征进行分离重建;转换器流采用LightViT对全局标记与图像标记进行交互以实现局部-全局注意力计算。SC-ETNet在UC-Merced、AID和NWPU-RESISC45三个数据集的实验评估分别达到了99.61%、97.81%和95.33%的平均分类准确率,这一结果表明,相比现有的先进场景分类方法,SC-ETNet具有更加优越的分类性能。
Keyword:
Reprint 's Address:
Email:
Version:
Source :
海南大学学报(自然科学版中英文)
ISSN: 1004-1729
Year: 2025
Issue: 3
Volume: 43
Page: 305-317
Cited Count:
SCOPUS Cited Count:
ESI Highly Cited Papers on the List: 0 Unfold All
WanFang Cited Count:
Chinese Cited Count:
30 Days PV: 0
Affiliated Colleges: