.png){kind=icon}
返回
Semantics-Aware Hierarchical Consensus Learning for Remote Sensing Image Classification
.png){kind=icon}
OA
AI
DOI：10.1109/tgrs.2026.3731443.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习（DL）在遥感（RS）图像分类中日益重要，因其能从复杂数据中提取语义信息。分类任务常包含预定义的标签层次结构，以表示类别间的语义关系。然而，这些层次结构常被忽视，大多数方法仅关注细粒度分类方案。本文提出一种新颖的语义感知层次共识（SAHC）方法，在深度网络架构中整合层次级特定的分类头，并通过跨级概率投影器结合其输出。直接和投影预测融合成几何共识分布，用于自一致性训练和可选的层次感知推理。该机制作为几何集成，利用层次分类任务的固有结构。投影器从用户定义的分类法（即层次标签结构）初始化，并在优化过程中自适应优化。所提SAHC方法在具有不同层次复杂度的两个基准数据集上进行了评估，考虑了不同的光谱和空间分辨率。实验结果表明，所提方法在引导网络学习方面的有效性，以及层次共识（HC）在RS图像分类任务中的鲁棒性。源代码可在：https://github.com/rslab-unitrento/sahc
Keyword:
Consensus
consistency
deep learning (DL)
hierarchical
multigranularity
multispectral (MS)
remote sensing (RS)
semantics-aware
Sentinel-2 (S2)
time series (TS)
very-high resolution (VHR)
期刊
IF:
8.6
论文数:
2.2W
被引数:
10.7W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容