ReluformerN:轻量化高低频增强高光谱农业地物分类方法

[目的/意义]为了智能监测农业地物种类分布情况,一般采用无人机搭载高光谱相机进行高光谱数据采集,之后对高光谱数据分类,实现农作物分布图自动绘制。但不同农作物外形相似,同一农作物不同生长期差别较大,所以对农业地物分类的网络模型要求较高。分类精度较高的网络模型往往复杂程度较高,无法部署在硬件系统中。针对以上问题,本研究提出一种轻量化高低频增强的ReluformerN网络(Reluformer Network)实现农业地物分类。[方法]首先提出自适应八倍频卷积,不仅可以对高光谱图像的空间和光谱频域特征进行提取,同时缓解了内部人工参数设置带来的影响。其次针对低频信息可以捕获全局特征的特点,提出Reluformer进行全局特征提取,Reluformer相比transformer具有线性计算复杂度,有利于网络轻量化的同时保持了提取全局特征的能力。将该网络在三个公开的有关农作物品种精细分类的高光谱数据集上进行实验,并与较为流行的五种分类网络进行对比。[结果和讨论]ReluformerN在整体精度(Overall Accuracy,OA)、平均精度(Average Accuracy,AA)等精度评价指标中表现较好。在模型参数量(Parameters)、模型计算量(FLOPs)模型复杂度评价指标中,ReluformerN参数量最小,计算量最低。[结论]本研究提出的ReluformerN网络在农作物品种分类精度和模型复杂度之间达到了较好的平衡,有望后续部署在资源有限的硬件系统中,实现地物实时分类功能。