基于卷积特征和贝叶斯决策的双波段场景分类 
下载： 710次
Dual-Band Scene Classification Based on Convolutional Features and Bayesian Decision
1 火箭军工程大学作战保障学院, 陕西 西安 710025
2 中国人民武装警察部队工程大学信息工程学院, 陕西 西安 710086
图 & 表
图 1. 本方法的框架图
Fig. 1. Framework diagram of our method
下载图片 查看原文
图 2. RGB-NIR数据集的示例图像
Fig. 2. Example image of the RGB-NIR dataset
下载图片 查看原文
图 3. 两种特征的分类精度。(a)RGB图像;(b)NIR图像;(c)RGB-NIR图像
Fig. 3. Classification accuracies of the two features. (a) RGB image; (b) NIR image; (c) RGB-NIR image
下载图片 查看原文
图 4. 不同阈值对模型分类精度的影响。(a)C5层;(b)F6层;(c)F7层
Fig. 4. Influence of the different threshold value on model classification accuracy. (a) C5 layer; (b) F6 layer; (c) F7 layer
下载图片 查看原文
图 5. 不同CNN模型的分类精度。(a)VGG-16模型;(b)VGG-19模型;(c)ResNet-50模型
Fig. 5. Classification accuracies of different CNN models. (a) VGG-16 model; (b) VGG-19 model; (c) ResNet-50 model
下载图片 查看原文
图 6. 本方法的分类精度混淆矩阵。(a)20组中最好的分类精度(98.0%);(b)20组中最差的分类精度(88.9%)
Fig. 6. Classification accuracy confusion matrix of our method. (a) Best classification accuracy in the 20 groups (98.0%); (b) worst classification accuracy in the 20 groups (88.9%)
下载图片 查看原文
表 1VGGNet和ResNet的网络层及特征维度
Table1. Layers and feature dimension of the VGGNet and ResNet
| Hierarchical feature | Low level | Middle level | High level |
|---|
| C2 | C3 | C4 | C5 | F6(G6) | F7 |
|---|
| VGGNet | 56×56×128 | 28×28×256 | 14×14×512 | 7×7×512 | 4096 | 4096 | | ResNet-50 | 56×56×256 | 28×28×512 | 14×14×1024 | 7×7×2048 | 2048 | -- |
|
查看原文
表 2VGG-16模型不同特征的维度
Table2. Dimensions of different features of the VGG-16 model
| Layer | C2 | C3 | C4 | C5 | F6 | F7 |
|---|
| CNN feature | 401408 | 200704 | 100352 | 25088 | 4096 | 4096 | | PCA feature of RGB | 359 | 360 | 361 | 344 | 328 | 312 | | PCA feature of NIR | 361 | 362 | 361 | 350 | 338 | 322 |
|
查看原文
表 3不同CNN模型在不同t时的分类精度
Table3. Classification accuracies of different CNN models at different t unit: %
| Model | C5 | F6(G6) | F7 |
|---|
| 0.90 | 0.95 | 0.99 | 0.90 | 0.95 | 0.99 | 0.90 | 0.95 | 0.99 |
|---|
| VGG-16 | 90.6±2.5 | 90.3±2.4 | 90.5±2.4 | 91.9±2.3 | 92.0±2.5 | 91.9±2.1 | 92.4±2.7 | 93.3±2.0 | 92.9±2.5 | | VGG-19 | 90.1±2.3 | 89.8±2.3 | 89.9±2.3 | 91.1±2.6 | 91.3±2.5 | 92.0±2.5 | 91.5±3.3 | 91.3±3.4 | 90.7±3.0 | | ResNet-50 | 91.8±1.9 | 92.1±2.1 | 92.2±2.0 | 94.0±2.1 | 94.0±2.2 | 94.3±2.1 | -- | -- | -- |
|
查看原文
表 4不同方法在RGB-NIR数据集上的分类精度比较
Table4. Classification accuracy comparison of different methods
| Method | Train/testgroup | Year | Classification accuracy /% |
|---|
| RGB | NIR | RGB+NIR |
|---|
| MSIFT | 10 | 2011 | 62.9±3.1 | -- | 73.1±3.3 | | Fisher Vector | 10 | 2011 | 84.5±2.3 | -- | 87.9±2.2 | | mCENTRIST | 10 | 2014 | 78.9±5.1 | -- | 84.5±2.1 | | DSIFT_CLM | 1 | 2018 | -- | -- | 86.9 | | Dual CNN (GoogLeNet) | 1 | 2017 | -- | -- | 92.5 | | CNN_KPCA_CCA (GoogLeNet) | 1 | 2018 | -- | -- | 90.8 | | MCNN (ResNet-50) | 1 | 2019 | -- | -- | 93.5 | | DC_CNN | 1 | 2019 | -- | -- | 95.0 | | Our method (worst) | 1(20) | 2020 | 87.9 | 80.8 | 88.9 | | Our method (best) | 1(20) | 2020 | 96.0 | 93.9 | 98.0 | | Our method (ResNet-50) | 20 | 2020 | 92.3±1.9 | 88.7±3.2 | 94.3±2.1 |
|
查看原文
邱晓华, 李敏, 张丽琼, 董琳. 基于卷积特征和贝叶斯决策的双波段场景分类[J]. 激光与光电子学进展, 2021, 58(4): 0415006. Xiaohua Qiu, Min Li, Liqiong Zhang, Lin Dong. Dual-Band Scene Classification Based on Convolutional Features and Bayesian Decision[J]. Laser & Optoelectronics Progress, 2021, 58(4): 0415006.
PDF全文
