弱监督尺度适应网络

免人工多尺度选择

以弱监督方式自动学习每个场景实例的最优尺度，通过尺度生成与融合模块提升遥感场景分类的尺度鲁棒性。

Wang, Liming · 祁昆仑 · 杨超 · 吴华意

Journal of Remote Sensing 2023

参数信息

总体分类精度（AID 数据集，20% 训练比例）

92.78 %

总体分类精度（NWPU 数据集，10% 训练比例）

90.71 %

精度提升幅度（AID 数据集，20% 训练比例）

1.27 %

精度提升幅度（NWPU 数据集，10% 训练比例）

1.09 %

技术优势

免人工选尺度

尺度生成模块基于原始图像特征自动学习最优尺度参数，无需为不同数据集人工设定多尺度。

融合多尺度特征

尺度融合模块对原始图像与最优尺度图像的 CNN 特征进行滤波去噪并深度融合，利用不同尺度特征间的相关性提升分类精度。

尺度变化下精度更高

在场景尺度变化分析实验中，本方法在任意图像尺度下分类精度均高于基线，证明其具备较强的尺度适应能力。

应用场景

• 遥感场景理解：动态适应不同地物尺度变化，提升场景分类精度。