几年来,深度学习方法已成功地应用于遥感问题。在这些方法中,基于CNN的模型在使用卫星或空中图像解决土地分类问题方面具有很高的精度。尽管这些模型的精度很高,但通常具有较大的内存要求。另一方面,希望拥有用于应用程序的小型型号,例如在无人机上实施的应用程序,并且记忆空间较低。不幸的是,小型CNN型号与其大型版本那样不提供高精度。在这项研究中,我们提出了一种新颖的方法,可以通过向其注入传统特征来提高CNN模型的准确性,尤其是尺寸较小的方法。为了测试所提出方法的有效性,我们将其应用于CNN模型Squeezenet,MobilenetV2,ShufflenetV2,VGG16和Resnet50V2,其大小为0.5 MB至528 MB。我们使用了样本平均值,灰度合作矩阵特征,HU矩,局部二进制图案,定向梯度的直方图和颜色不变性作为传统的注射特征。我们在EuroSat数据集上测试了提出的方法,以执行土地分类。我们的实验结果表明,所提出的方法显着提高了土地分类精度,尤其是应用于小型CNN模型时。
translated by 谷歌翻译