// 引用格式：
”
刘伊, 张彦军. ReluformerN:轻量化高低频增强高光谱农业地物分类方法[J]. 智慧农业(中英文), 2024, 6(5): 74-87.
Citation:LIU Yi, ZHANG Yanjun. ReluformerN: Lightweight High-Low Frequency Enhanced for Hyperspectral Agricultural Lancover Classification[J]. Smart Agriculture, 2024, 6(5): 74-87.
官网全文在线阅读
知网阅读
ReluformerN：轻量化高低频增强高光谱农业地物分类方法
刘伊1，2*， 张彦军2
（1.太原工业学院 自动化系，山西太原 030008，中国；2.中北大学 仪器与电子学院，山西太原 030001，中国）
摘要：
［目的/意义］为了智能监测农业地物种类分布情况，一般采用无人机搭载高光谱相机进行高光谱数据采集，之后对高光谱数据分类，实现农作物分布图自动绘制。但不同农作物外形相似，同一农作物不同生长期差别较大，所以对农业地物分类的网络模型要求较高。分类精度较高的网络模型往往复杂程度较高，无法部署在硬件系统中。针对以上问题，本研究提出一种轻量化高低频增强的ReluformerN网络（Reluformer Network）实现农业地物分类。
［方法］首先提出自适应八倍频卷积，不仅可以对高光谱图像的空间和光谱频域特征进行提取，同时缓解了内部人工参数设置带来的影响。其次针对低频信息可以捕获全局特征的特点，提出Reluformer进行全局特征提取，Reluformer相比transformer具有线性计算复杂度，有利于网络轻量化的同时保持了提取全局特征的能力。将该网络在三个公开的有关农作物品种精细分类的高光谱数据集上进行实验，并与较为流行的五种分类网络进行对比。
［结果和讨论］ReluformerN在整体精度（Overall Accuracy, OA）、平均精度（Average Accuracy, AA）等精度评价指标中表现较好。在模型参数量（Parameters）、模型计算量（FLOPs）模型复杂度评价指标中，ReluformerN参数量最小，计算量最低。
［结论］本研究提出的ReluformerN网络在农作物品种分类精度和模型复杂度之间达到了较好的平衡，有望后续部署在资源有限的硬件系统中，实现地物实时分类功能。
关键词： 高光谱图像；农业地物分类；轻量化网络；线性transformer；深度学习
文章图片
图1 以自适应八倍频卷积为核心的高低频增强ReluformerN结构图
Fig.1 High-low frequency enhancement Reluformer network structure taking adaptive ocatave convolution as the core
图2 自适应八倍频卷积结构
Fig. 2 Structure of adaptive octave convolution
图3 Relu函数有效性研究将不同激活函数与softmax对比
Fig.3 The study on the effectiveness of Relu functions compares different activation functions with softmax
图4 多头Relu自注意力机制和Reluformer结构图
Fig. 4 Multi-head ReLU attention mechanism and the structure of Reluformer
图5 高频细粒度特征提取结构图
Fig. 5 High-frequency fine-grained feature extraction structure
图6 IP数据集上不同网络可视化效果图
Fig. 6 Visualizations of different networks on IP dataset
图7 WHU-Hi-Longkou数据集上不同网络可视化效果图
Fig. 7 Visualizations ofdifferent networks visualization WHU-Hi-Longkou dataset
图8 SA数据集上不同网络可视化效果图
Fig. 8 Visualizations of different network on SA dataset
图9 在IP、WHU-Hi-Longkou、SA三个数据集上八倍频卷积和自适应八倍频卷积 取不同值时正确率
Fig. 9 Accuracy rates of octave convolution and adaptive octave convolution with different α values on the IP， WHU-Hi-Longkou， and SA three datasets
图10 各模块有效性利用2维t-sne提取高低频特征以及分类后特征
Fig. 10 Using 2D t-sne to extract high and low frequency features and classification in the validity study of each module
来源：《智慧农业（中英文）》2024年第5期
转载请联系编辑部授权
本期支持单位
推荐阅读
陈锋军教授团队：基于无人机图像和改进LSC-CNN模型的密集苗木检测和计数方法（《智慧农业（中英文）》2024年第5期）
智慧农业微信交流服务群
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
