Clasificación de Escenas de Imágenes de Teledetección Basada en una Red Neuronal Reconfigurable de Múltiples Rutas
Autores: Hu, Wenyi; Lan, Chunjie; Chen, Tian; Liu, Shan; Yin, Lirong; Wang, Lei
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Clasificación de Escenas de Imágenes de Teledetección Basada en una Red Neuronal Reconfigurable de Múltiples Rutas
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Tierra
Reconocimiento
Clasificación
Teledetección
Modelo
Red
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El reconocimiento y clasificación de imágenes de tierras y la detección del entorno terrestre son campos de investigación importantes en aplicaciones de teledetección. Debido a la diversidad y complejidad de las diferentes tareas de reconocimiento y clasificación del entorno terrestre, es difícil para los investigadores utilizar un solo modelo para lograr el mejor rendimiento en la clasificación de escenas de múltiples imágenes de teledetección de tierras. Por lo tanto, para determinar cuál modelo es el mejor para las tareas actuales de clasificación de reconocimiento, a menudo es necesario seleccionar y experimentar con muchos modelos diferentes. Sin embargo, encontrar el modelo óptimo conlleva un aumento en los costos de prueba y error y es una pérdida de tiempo para los investigadores, y a menudo es imposible encontrar el modelo adecuado rápidamente. Para abordar el problema de que los modelos existentes son demasiado grandes para una selección fácil, este artículo propone una estructura de red reconfigurable de múltiples caminos y toma como ejemplo el modelo de red residual reconfigurable de múltiples caminos (MR-ResNet). El modelo de red neuronal reconfigurable permite a los investigadores elegir selectivamente los módulos requeridos y reensamblarlos para generar modelos personalizados al dividir los modelos entrenados y conectarlos a través de módulos con diferentes propiedades. Al mismo tiempo, al introducir el concepto de una red de entrada de múltiples caminos, se selecciona el camino óptimo al introducir diferentes módulos, lo que acorta el tiempo de entrenamiento del modelo y permite a los investigadores encontrar fácilmente el modelo de red adecuado para el escenario de aplicación actual. Se ahorran muchos datos de entrenamiento, recursos computacionales y experiencia en parámetros del modelo. Se utilizaron tres conjuntos de datos públicos, NWPU-RESISC45, RSSCN7 y SIRI-WHU, para los experimentos. Los resultados experimentales demuestran que el modelo propuesto supera a la red residual clásica (ResNet) tanto en términos de parámetros como de rendimiento.
Descripción
El reconocimiento y clasificación de imágenes de tierras y la detección del entorno terrestre son campos de investigación importantes en aplicaciones de teledetección. Debido a la diversidad y complejidad de las diferentes tareas de reconocimiento y clasificación del entorno terrestre, es difícil para los investigadores utilizar un solo modelo para lograr el mejor rendimiento en la clasificación de escenas de múltiples imágenes de teledetección de tierras. Por lo tanto, para determinar cuál modelo es el mejor para las tareas actuales de clasificación de reconocimiento, a menudo es necesario seleccionar y experimentar con muchos modelos diferentes. Sin embargo, encontrar el modelo óptimo conlleva un aumento en los costos de prueba y error y es una pérdida de tiempo para los investigadores, y a menudo es imposible encontrar el modelo adecuado rápidamente. Para abordar el problema de que los modelos existentes son demasiado grandes para una selección fácil, este artículo propone una estructura de red reconfigurable de múltiples caminos y toma como ejemplo el modelo de red residual reconfigurable de múltiples caminos (MR-ResNet). El modelo de red neuronal reconfigurable permite a los investigadores elegir selectivamente los módulos requeridos y reensamblarlos para generar modelos personalizados al dividir los modelos entrenados y conectarlos a través de módulos con diferentes propiedades. Al mismo tiempo, al introducir el concepto de una red de entrada de múltiples caminos, se selecciona el camino óptimo al introducir diferentes módulos, lo que acorta el tiempo de entrenamiento del modelo y permite a los investigadores encontrar fácilmente el modelo de red adecuado para el escenario de aplicación actual. Se ahorran muchos datos de entrenamiento, recursos computacionales y experiencia en parámetros del modelo. Se utilizaron tres conjuntos de datos públicos, NWPU-RESISC45, RSSCN7 y SIRI-WHU, para los experimentos. Los resultados experimentales demuestran que el modelo propuesto supera a la red residual clásica (ResNet) tanto en términos de parámetros como de rendimiento.