卷积神经网络的架构与应用发展

近年来,在高科技领域,神经网络的发展逐渐成为研究的重点。在深度学习中,CNN是最先成功的案例,最引人关注的特点是其局部连接、权值共享等特性,这些特性相比传统的神经网络可以有效降低网络复杂程度、减少训练参数。但现实中,还需要对网络进行多种优化才能达到最终效果。因此近年来出现的一些网络架构在很大程度上优化了神经网络,取得了更好的效果。笔者主要总结了一些卷积神经网络的典型架构和相关领域的应用。

基于轻量级光谱-空间注意力交互网络的高光谱地物分类研究

通过引入基于卷积神经网络(convolutional neural network, CNN)的分类算法,高光谱图像(hyperspectral image, HSI)分类任务的精度取得显著的提升,但目前主流CNN算法往往较为复杂且参数量大,从而导致网络难以训练以及容易产生过拟合问题。为在保证网络分类性能的前提下实现轻量化,本文提出一个轻量级架构的基于光谱-空间注意力交互机制的CNN网络用于HSI分类。为实现HSI的光谱-空间特征提取,构建了一个轻量化的双路径骨干网络用于两种特征的提取和融合。其次,为提高特征的表征能力,设计了两个注意力模块分别用于光谱和空间特征的权重再调整。同时,为加强双路径特征之间的关联以实现特征的更好融合,注意力交互机制被引入到网络中以进一步提升网络性能。在3个真实HSI数据集上的分类结果表明,本文所提网络可达到99.5%的分类准确度,并相比于其他网络至少减少50%的参数量。