摘要：由于建筑物在形状、屋顶材质、层高、背景等方面存在多样性,传统基于深度卷积神经网络的建筑物提取算法对一些具有差异性的建筑无法正确提取。针对这一问题,提出基于深度度量网络的建筑物精细化提取方法(building extraction based on deep metric network,BEDMN)。该方法使用相似性正则化计算像素样本在深度特征空间的相似性,使得同类样本特征相近、异类样本特征相远,增加深度特征的辨别性。为验证该方法的精度,选取两个区域进行实验,在城市实验区和农村实验区的建筑物提取查全率/查准率分别为88.01%/89.30%、95.13%/94.15%。结果表明,该方法可以有效提升深度网络的辨别能力,提高建筑物的提取精度。

摘要：在小样本文本分类领域中,查询集和支持集的特征提取是影响分类结果的关键之一,但以往的研究大多忽略了两者之间存在匹配信息且在各自的信息提取中忽略了特征间的重要性程度不同,因此提出了一种新的小样本分类模型.模型结合GRU的全局信息提取能力和注意力机制的局部细节学习能力对文本特征进行建模,同时采用双向注意力机制来获取支持样本与查询样本间的交互信息,并创新性的提出“类生成器”用以区分同类样本间的不同重要性同时生成更具判别性的类别表示.此外,为了获得更为清晰的分类界限,还设计了一个原型感知的正则化项来优化原型学习.模型在2个小样本分类数据集上进行了实验,均取得了比目前最优基线模型更好的分类效果.