基于SwinT-MFPN的高分辨率边坡场景图像分类
摘要
针对高分辨率图像计算复杂度快速增长和收敛速度慢等难题，基于Swin-Transformer及特征金字塔网络（FPN）提出一种兼顾性能、推理速度和收敛速度的SwinT-MFPN边坡场景图像分类模型。首先在FPN中引入Mish激活函数构建MFPN结构，对原高分辨图像进行特征提取，得到长宽减小的特征图，并剔除部分底层冗余特征信息，强化关键特征；然后引入深层次特征提取能力强的Swin-Transformer作为模型的主干特征提取网络，并使用加权交叉熵损失函数替换Swin-Transformer的原始交叉熵损失函数，优化由于类别数据量不平衡对模型预测产生的影响。提出精度均方根误差评价指标，并基于自建的大坝边坡数据集，验证了所提模型的稳定性。实验结果表明，所提模型的平均精度均值（mAP）高达95.48%，时间性能提升了3.01%，优于大部分主流模型，证明了所提模型的适用性和有效性。
引用本文（GB/T 7714）
涂印 Tu Yin, 李登华 Li Denghua, 丁勇 Ding Yong. 基于SwinT-MFPN的高分辨率边坡场景图像分类[J]. Laser & Optoelectronics Progress, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。