基于多尺度特征融合与χ2特征排序的轻量级双分支CNN卫星图像分类

《Geocarto International》：Multiscale feature fusion based CNN with feature ranking for satellite image classification

　　

卫星图像分类在监测、监视、土地覆盖规划等多种应用中发挥重要作用。随着模型深度增加，具有许多可学习参数的深度学习模型面临过拟合，并难以同时提取细粒度细节和更广泛模式。为克服上述问题，研究人员提出了一种参数少于0.23百万的高效卷积神经网络（CNN）模型，利用跨不同CNN分支提取多尺度特征。将两个分支拼接后，加入全局平均池化（GAP）层，以在不引入额外参数的情况下缓解过拟合。为克服标准CNN在处理冗余和低判别性特征方面的限制，引入卡方（chi-square）检验特征排序，以强调最具信息量的表示，而后续支持向量机（SVM）分类器在分离复杂特征模式方面表现出优越性能。然后，该模型在RSI-CB256和EuroSAT上分别显示99.82%和95.33%的准确率，使其成为卫星分类的合适候选。关键政策亮点：提出了一种双分支CNN模型用于更好的卫星图像分类；全局平均池化层有助于最小化所提模型中的过拟合；使用特征排序方法卡方检验选择排名靠前的信息特征；使用RSI-CB256和EuroSAT基准数据集验证模型性能；该模型获得高准确率并减少训练时间；所提模型具有少于0.23 M参数，确保高效设计。关键词：双分支卷积神经网络；卫星图像分类；过拟合；全局平均池化；特征排序。

论文解读

研究背景方面，卫星和无人机（UAV）获取的卫星图像在监视、天气监测、土地植被健康分析以及城市规划等领域具有重要作用。传统手工特征提取依赖人工设计，而卷积神经网络（CNN，一类通过卷积操作自动学习图像模式的深度学习模型）可自动学习复杂模式。然而，常规CNN通常依赖堆叠层结构，随着网络深度增加，可学习参数、计算复杂度和过拟合风险也随之增加，尤其在训练数据有限时更明显。L1/L2正则化会通过引入更多参数使模型复杂化。此外，深度CNN难以同时提取卫星图像中的多尺度特征，即从细小模式到更广泛模式。另一个问题是常规CNN在分类时同等对待所有提取特征，会降低分类性能。已有研究分别探索了轻量架构、多分辨率特征提取和特征工程，但较少在统一框架中联合解决多尺度表示学习、轻量网络设计和判别性特征选择。因此，研究人员旨在开发一种轻量多尺度CNN框架，同时改善分类准确率、计算效率和特征可解释性。具体而言，该框架集成并行卷积分支以进行综合特征提取，使用全局平均池化层减少可学习参数并缓解过拟合，并引入基于卡方（chi-square）的特征排序方法，在分类前识别最具信息量的深度特征。研究问题包括：轻量多尺度CNN能否有效捕获细粒度和更广地理特征并减少过拟合；卡方特征排序能否通过减少冗余和噪声特征提高深度特征的判别能力和可解释性；所提框架能否在基准卫星图像数据集上取得优于传统CNN方法的分类准确率和计算效率。研究人员在RSI-CB256和EuroSAT数据集上进行验证，取得99.82%和95.33%的准确率，且可学习参数少于0.23百万，表明其有效性、计算效率和泛化能力。

关键技术方法方面，采用两个基准数据集：RSI-CB256和EuroSAT。RSI-CB256为公开数据集，包含cloudy（1500）、desert（1131）、green area（1500）和water（1500）四类，共5631幅，256×256像素；EuroSAT为公开数据集，由Sentinel-2卫星获取，包含10类共27000幅，64×64像素，有RGB和多光谱13波段。预处理包括resizing、Laplacian sharpening、对比度受限自适应直方图均衡化（CLAHE）和normalisation。核心方法为双分支CNN，使用5×5和7×7卷积核提取细粒度和更广模式，拼接融合特征，采用GAP、self-attention、全连接层和SVM分类器，并利用χ²特征排序选择top-k特征；同时优化学习率、batch size、优化器和输入尺寸。

研究结果部分，3.1 所提方法的结果：在RSI-CB256和EuroSAT上，模型测试准确率分别为99.82%和95.33%，precision、recall和F1-score表现均衡；ROC曲线AUC超过98%，t-SNE特征嵌入显示各类别形成明显聚类，EuroSAT中少量类别点重叠可忽略。3.2 高效设计验证：与现有模型相比，所提模型层数和参数更少，GAP层不引入可学习参数，参数少于0.23百万，可降低复杂度和过拟合风险；与Tumpa and Islam的LPCNN模型相比，其冗余参数更多。3.3 消融研究：移除预处理、并行分支多尺度特征提取、有效特征聚合、SVM或特征排序后性能均下降，说明各组件重要；全组件在RSI-CB256和EuroSAT上达到最高准确率。3.4 特征融合定性分析：两个并行分支捕获互补信息，包括网格结构、边缘模式和植被/非植被区域；拼接后融合特征更具判别性，保留结构和语义信息，提高相似类区分能力。3.5 超参数优化：在RSI-CB256上，采用64×64输入、学习率0.001、Adam优化器和batch size 128时，性能指标较好。3.6 基于卡方排序的top-k特征选择：比较不同Top-k值后发现，k=50在EuroSAT和RSI-CB256上取得最佳分类性能。3.7 高斯噪声下鲁棒性：在测试图像中加入不同方差高斯噪声并保持训练模型不变，低噪声下模型保持竞争性能，随噪声方差增加准确率逐渐下降。3.8 不同分类器性能分析：将KNN、SVM、RF和NB与所提模型集成，SVM在训练与测试准确率之间差异较小，即减少过拟合，RSI-CB256上NB除外。3.9 性能稳定性分析：采用相同90:10训练/测试划分进行五次独立实验，EuroSAT和RSI-CB256平均准确率分别为95.152%和99.324%，标准差为0.188和0.385，表明一致可靠。3.10 不同训练-测试划分比例性能指标：随着训练数据增加，性能逐渐提高，90:10划分各指标最高，但不同划分间差异较小，适合实际部署。3.11 不同输入图像分辨率性能：EuroSAT和RSI-CB256均在64×64输入分辨率下达到最高分类准确率，且在不同分辨率下保持稳健。3.12 不同训练样本量下与现有工作比较：所有模型随训练样本增大准确率提高，所提轻量模型持续具有竞争力，90/10划分达到95.33%，且计算复杂度低。3.13 不同网络模型过拟合性能分析：过拟合表现为训练与测试准确率差距大；所提模型含GAP层、层数和参数少，在RSI-CB256和EuroSAT上训练与测试准确率差异最小，分别为0.08和0.03，有效缓解过拟合。3.14 计算效率和参数-性能权衡：所提模型以0.23 M参数达到95.33%准确率，参数显著少于对比深度学习模型；SqueezeNet推理更快，但所提模型参数更少、训练时间更短且准确率有竞争力；相比传统机器学习方法86%准确率有明显提升。3.15 与其他现有工作比较：与EfficientNet系列、PCNN、自定义CNN、自注意力机制、CNN-SVM及混合特征融合等方法相比，所提模型在RSI-CB256上达到最高99.82%，在EuroSAT上达到最高95.33%，体现泛化能力、轻量设计和计算效率。

讨论部分总结：所提双分支多尺度CNN在RSI-CB256和EuroSAT上取得最高分类准确率；模型参数约0.23百万，多次实验中标准差较低，稳定性和可重复性较好；消融研究验证各组件有效性，尤其移除并行分支或GAP层导致准确率下降最大；过拟合分析显示该模型训练与测试性能更平衡；Top-k分析表明k=50后性能下降，说明χ²排序能识别判别性特征子集；SVM整体表现最佳；与现有方法相比，该模型在参数和训练时间更少的情况下仍具竞争力。局限包括：仅在两个基准RGB数据集上验证，未进行跨数据集评估，因为EuroSAT和RSI-CB256类别不够相似；性能受预处理流程影响；部分比较依赖文献报告而非相同实验条件下复现；作为监督学习方法，依赖标注数据，可能受域偏移、成像条件、传感器差异和未见环境影响。最后，研究结论翻译如下：本文提出了一种用于卫星图像分类的轻量级框架，其集成了双分支多尺度卷积神经网络（CNN）、全局平均池化（GAP）、基于卡方（chi-square）的特征排序以及支持向量机（SVM）分类器。所提架构通过结合多尺度特征提取、参数高效的特征聚合和判别性特征选择，有效解决了过拟合挑战。双分支网络同时捕获细粒度局部细节和更广泛的空间上下文信息，而GAP层通过替代参数密集的全连接层降低模型复杂度。此外，卡方特征排序方法通过在分类前选择最具判别性的特征提高分类性能。实验结果表明，所提框架在RSI-CB256数据集和EuroSAT数据集上分别达到99.82%和95.33%的分类准确率，且可训练参数少于0.23百万。所提模型还表现出高精度、召回率和F1分数，并在五次独立实验运行中具有低性能波动，证实其鲁棒性和可重复性。比较分析进一步表明，与若干最先进深度学习模型相比，所提模型在需要显著更少参数和更低计算成本的同时实现了有竞争力的性能，表明其适用于资源受限的卫星图像分类应用。尽管这些结果有前景，仍存在若干局限。所提框架仅在两个基准RGB数据集上验证，未进行跨数据集评估，因为EuroSAT和RSI-CB256数据集不包含足够相似的类别以进行有意义的比较。此外，与若干现有方法的比较依赖于文献报告的性能，而非在相同实验设置下重新实现。未来工作将聚焦于使用多样化的业务数据集验证所提框架、将其扩展到多光谱和高光谱影像、研究自适应特征选择技术，并在真实卫星和边缘计算环境中评估其性能。