شبكة كاسكاد الانتباه العالمية والمحلية لتصنيف مشاهد الاستشعار عن بعد

يعد تصنيف مشاهد الصور الاستشعار عن بعد مهمة مهمة في تفسير صور الاستشعار عن بعد، وقد تم التعامل معها بشكل جيد مؤخرًا بواسطة الشبكة العصبية التلافيفية نظرًا لقدرتها القوية على التعلم. ومع ذلك، نظرًا لوجود أنواع متعددة من المعلومات الجغرافية والمعلومات الخلفية الزائدة عن الصور الاستشعار عن بعد، فإن معظم الطرق المستندة إلى الشبكة العصبية التلافيفية، خاصة تلك المستندة إلى نموذج CNN واحد وتلك التي تتجاهل دمج الميزات العالمية والمحلية، تظهر أداءً محدودًا في التصنيف الدقيق. لتعويض هذا النقص، نقترح طريقة جديدة لت融合 الميزات العميقة باستخدام نموذج مزدوج يستند إلى شبكة كاسكاد الانتباه العالمية والمحلية (ACGLNet). بالتحديد، نستخدم شبكتين عصبيتين تلافيفيتين شهيرتين كمستخرجي ميزات لاستخراج ميزات متعددة المقاييس تتمتع بالتكامل من الصورة المدخلة. مع الأخذ في الاعتبار خصائص الميزات العالمية والمحلية، يقوم ACGLNet المقترح بترشيح المعلومات الخلفية الزائدة من الميزات ذات المستوى المنخفض من خلال آلية الانتباه المكاني، يلي ذلك دمج الميزات التي تم الانتباه إليها محليًا مع الميزات عالية المستوى. ثم، يتم استخدام الدمج الثنائي لإنتاج التمثيل المدمج للنموذج المزدوج، والذي يتم تغذيته في النهاية إلى المصنف. من خلال تجارب موسعة على أربعة مجموعات بيانات عامة لمشاهد الاستشعار عن بعد، بما في ذلك UCM وAID وPatternNet وOPTIMAL-31، نثبت جدوى الطريقة المقترحة وتفوقها على أحدث طرق تصنيف المشاهد.