基于SER-GNN的小样本遥感影像分类研究
葛小三
郑猛猛
河南理工大学 测绘与国土信息工程学院,河南 焦作 454000;河南理工大学 自然资源部矿山时空信息与生态修复重点实验室,河南 焦作 454000
摘要：目的 为解决基于度量学习的遥感影像分类中小样本学习特征空间图像特征分布不明显问题,提出一种适用于小样本模型的遥感影像分类模型SER-GNN(SENet attention residual neural network and graph neural networks).方法 该模型首先通过SER-GNN卷积层(融合基础网络ResNet-12和SENet组成)进行遥感影像图像特征提取,增强模型对关键区域的关注能力;然后将图像信息和类别标签编码嵌入到SER-GNN模型的GNN层;最后以消息传递推理算法的模式计算影像类别之间的隐含关系,构建邻接网络并完成分类任务.结果 结果表明,该模型在UC Merced Land-Use数据集、AID遥感数据集、NWPU-RESISC45数据集上,在5-way 1-shot中,精度分别提高 1.35%,2.15%,1.3%;在 5-way 5-shot中精度分别提高 2.15%,5.65%,3.85%.此外,通过迁移学习策略,在NWPU-RESISC45上训练的模型在AID和UC Merced Land-Use数据集上展现出更优的泛化性能.结论 综上,本文提出的SER-GNN 模型有效融合卷积神经网络与图神经网络的结构优势,在遥感影像小样本分类任务中表现出更高的准确率的同时,在模型迁移上取得了更强的迁移适应能力.该模型在新的学习环境中获得了更好的适应性,为遥感影像智能分类提供了具有潜力的技术路径与方法参考.
关键词：影像分类小样本学习ResNet-12图神经网络节点嵌入
分类号：TP751(遥感技术)
资助基金：国家自然科学基金(41572341)河南省自然科学基金资助项目(222300420450)自然资源部矿山时空信息与生态修复重点实验室开放基金资助项目(KLM202319)
论文发表日期：2025-09-30
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 144-151 )
英文信息