《表1 特征提取器的网络结构》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《小样本的多模态遥感影像高层特征融合分类》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为获得高质量的多模态遥感影像高层特征，分别针对高分辨率数据集X={x1，x2，…，x1000}和低分辨率数据集Y={y1，y2，…，y1000}构建两个平行的深度网络模型:高分辨率特征提取器（HRFE）和低分辨率特征提取器（LRFE）。高分辨率是指在遥感图像上能够区分的最小单元的尺寸小，可以更好地表征影像分辨地面目标细节。高分辨率影像具有明显的地物纹理特征，低分辨率影像有明显的地物轮廓特征，合理有效地融合两种模态可获得既有纹理信息又具有轮廓信息的高层特征。该模型的网络结构信息如表1所示。表中:ReLU为激活函数，该函数前向传播计算简单、求解偏导数也简单，最重要的是不容易发生梯度发散问题，提高了模型的学习能力；*为卷积运算，Kcov1k为第k个卷积核，f为池化方法，W1、W2为两种模态相关性的权重值，b1，2，3，…，7为网络偏置，±为将两种模态的高层特征映射到同一个特征空间；全连接层特征映射图X′pool2w为X′pool2的第w行；X′ful1为融合前的高分辨率遥感影像的高层特征，Y′ful1为融合前的低分辨率遥感影像的高层特征；Kful1为第二层全连接的映射参数。