多尺度部分卷积混合空间注意力的高分遥感影像分类

高分辨率遥感影像场景类别多且类间相似度高,针对已有的遥感分类模型在相似特征区分困难以及运行速度慢等问题,该文提出了一种基于多尺度与部分卷积的快速图像分类网络。首先,该方法通过不同核大小的普通卷积分别抽取不同尺度的目标特征,实现不同尺度特征的融合;其次,在空间注意力上添加带有权重的通道注意力分支,调整定位目标位置信息的通道权重,扩大了网络宽度,加强了定位重要目标显著性特征的能力;然后,将Inception网络中的3×3普通卷积替换为3×3部分卷积,构建多尺度部分卷积模块(MPCRes block),拓宽了ResNet block的宽度并且减小了模型参数量,提升了网络性能;最后,将MPCRes block与FasterNet block进行交叉堆叠,构建更深层次的网络,通过卷积与池化层不断进行下采样,直至将提取到的特征输入到Softmax分类器进行分类。在AID和VGoogle数据集上对该方法和其他基于深度学习的方法进行实验对比,结果表明,提出模型的参数量为18.61 M,FLOPs为2.58 G,在AID数据集两种不同比例训练样本下分类精度分别提高到97.35%和98.99%,在VGoogle数据集两种不同比例训练样本下分别提高到94.09%和97.21%,体现出该模型在遥感场景分类任务中更具有优势。

基于多空间混合注意力的图像描述生成方法

针对近海船舶监测系统中自动化情报生成的空缺,为了构建智能化船舶监测系统,提出基于多空间混合注意力的图像描述生成方法,对近海船舶图像进行描述。图像描述生成方法就是让计算机通过符合语言学的文字描述出图像中的内容。首先使用图像的感兴趣区域的编码特征预训练出多空间混合注意力模型,然后加入策略梯度改造损失函数对预训练好的解码模型继续进行微调,得到最终的模型。在MSCOCO(MicroSoft Common Objects in COntext)图像描述数据集上的实验结果表明,所提模型较以往的注意力模型提升了图像描述生成的评价指标,比如CIDEr分数。使用该模型在自建船舶描述数据集中能够自动描述出船舶图像的主要内容,说明所提方法能为自动化情报生成提供数据支持。