文献类型：期刊文章

作　　者：陈科峻[1,2] 张叶[1]

CHEN Ke-jun;ZHANG Ye(Changchun Institute of Optics Fine Mechanics and Physics,Chinese Academy of Sciences,State Key Laboratory of Applied Optics,Changchun,130033,China;Chinese Academy of Sciences.Beijing 100039,China)

机构地区：[1]中国科学院大学长春光学精密机械与物理研究所应用光学国家重点实验室,吉林长春130033 [2]中国科学院大学,北京100039

出　　处：《光学精密工程》

基　　金：中国科学院青年创新促进协会基金资助项目(No.2016201)。

年　　份：2020

卷　　号：28

期　　号：6

起止页码：1404-1413

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：由于航空图像背景复杂,包含的物体类别多样,航空图像分类任务仍然面临困难。针对传统航空图像多标签分类算法准确率低、泛化性差的问题,本文提出了一种基于循环神经网络多标签航空图像分类方法。首先,采用超像素分割获取图像的低层特征,通过注意力机制生成注意力特征图;接着,采用交叉验证的方式获取最佳的图像尺度,将多尺度注意力特征图嵌入卷积神经网络中对图像进行特征提取;最后,采用改进的双向长短期记忆网络挖掘标签之间的相关性,改进的双向长短期记忆网络增加了输入门到输出门之间的连接,使输入状态可以更好地控制每一内存单元输出的信息,并且将遗忘门和输入门合并成单一的更新门,使得改进的双向长短期记忆网络可以学到更长时期的历史信息。结果显示,在图像变换尺度为1,1.3,2时,模型在UCM多标签数据集上的精确率和召回率分别达到了85.33%和87.05%,F1值达到了0.862。本文方法相比于原始VGGNet16模型,精确率提高了7.25%,召回率提高了8.94%。实验表明,该方法可以有效提高航空图像多标签分类任务的准确率。

关 键 词：航空图像分类  多标签  注意力机制  多尺度 卷积神经网络  长短期记忆网络  

分 类 号：TP391.7]