.png){kind=icon}
返回
A Lightweight Network Based on Dynamic Split Pointwise Convolution Strategy for Hyperspectral Remote Sensing Images Classification
.png){kind=icon}
OA
AI
DOI：10.3390/rs17050888.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为减少网络的参数量和计算复杂度，同时提高高光谱遥感图像（HRSIs）的分类精度，提出了一种动态分割逐点卷积（DSPC）策略，并基于DSPC提出了一种轻量级卷积神经网络（CNN），即CSM-DSPCss-Ghost。通过将DSPC分别与通道混洗和Ghost策略结合，提出了通道切换模块（CSM）和动态分割逐点卷积Ghost（DSPC-Ghost）模块。CSM替换MobileNetV2瓶颈模块中的第一个扩展逐点卷积，以减少参数数量并缓解由原始通道扩展逐点卷积引起的通道相关性增加。DSPC-Ghost替换MobileNetV2瓶颈模块中的第二个逐点卷积，可在DSPC基础上进一步减少参数数量，并依次提取HRSIs的深度谱域和空间特征。最后，通过在CSM和深度卷积后分别引入挤压激励模块和空间注意力模块，提出了CSM-DSPCss-Ghost瓶颈模块。所提出的CSM-DSPCss-Ghost网络由七个连续的CSM-DSPCss-Ghost瓶颈模块组成。在四种实测HRSIs上的实验表明，与2D CNN、3D CNN、MobileNetV2、ShuffleNet、GhostNet和Xception相比，CSM-DSPCss-Ghost能在减少参数数量的同时显著提高分类精度和运行速度。
Keyword:
MobileNetV2
convolutional neural networks
deep feature extraction
bottleneck module
期刊
IF:
4.1
论文数:
7.5K
被引数:
15.1W
机构
引用论文
.png){kind=icon}
ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile DevicesShuffleNet: 一种用于移动设备的极其高效的卷积神经网络OAAI
OAAI分享收藏Deep supervised learning for hyperspectral data classification through convolutional neural networks
PREAI
分享收藏
查看更多内容