Page 117 - 《武汉大学学报（信息科学版）》2025年第9期
P. 117

第 50 卷第 9 期            虞   欣等：遥感影像场景识别的贝叶斯共轭批次归一化方法                                  1845


                2.3.5 不同归一化方法的时间复杂度比较                                ZHANG  Yongjun，  WAN  Yi，  SHI  Wenzhong，  et
                    从算法的时间复杂度角度对 5 种归一化方法                            al.   Technical  Framework  and  Preliminary  Practices
                在不同的 BS 下进行了比较实验，结果见表 6，其                            of Photogrammetric Remote Sensing Intelligent Pro⁃
                                                                     cessing  of  Multi-source  Satellite  Images［J］.   Acta
                中，时间复杂度数值为除去第一轮迭代后，在剩
                                                                     Geodaetica et Cartographica Sinica， 2021， 50（8）：
                余 99 次迭代中每次迭代所需时间的平均值。
                                                                     1068-1083.
                    由表 6 可以看出，随着 BS 的增加，由于 GPU
                                                                ［2］  史文中 ， 张敏 .  人工智能用于遥感目标可靠性识
                的并行计算的优势，其时间复杂度逐渐减少。在
                                                                     别 ： 总 体 框 架 设 计 、现 状 分 析 及 展 望［J］.  测 绘 学
                上述的 5 种归一化方法中，BN 和 BABN 方法的                          报， 2021， 50（8）： 1049-1058.
                时 间 复 杂 度 最 小 ，而 且 两 者 基 本 一 致 ，这 说 明                SHI  Wenzhong，  ZHANG  Min.   Artificial  Intelli⁃
                BABN 方法既可以提高算法的精度，又保持了较                              gence for Reliable Object Recognition from Remote⁃
                好的时间复杂度。                                             ly  Sensed  Data：  Overall  Framework  Design，  Re⁃
                                                                     view  and  Prospect［J］.   Acta  Geodaetica  et  Carto⁃
                        表 6 5 种归一化方法的时间复杂度                           graphica Sinica， 2021， 50（8）： 1049-1058.
                Table 6 Computation Time of Five Normalization Methods  ［3］  邵振峰， 孙悦鸣， 席江波， 等 .  智能优化学习的高
                   BS    BN/s   GN/s   IN/s  LN/s   BABN/s           空间分辨率遥感影像语义分割［J］.  武汉大学学报
                   2      139   130    136    212     139           （信息科学版）， 2022， 47（2）： 234-241.
                   4      86     86     90    133      86            SHAO  Zhenfeng，  SUN  Yueming，  XI  Jiangbo，  et
                   8      66     67     72     89      67            al.   Intelligent  Optimization  Learning  for  Semantic
                   16     56     57     63     66      57            Segmentation  of  High  Spatial  Resolution  Remote
                   32     50     51     57     54      51            Sensing  Images［J］.   Geomatics  and  Information
                                                                     Science of Wuhan University， 2022， 47（2）： 234-241.
                3 结 语                                           ［4］  龚健雅， 张展， 贾浩巍， 等 .  面向多源数据地物提
                                                                     取的遥感知识感知与多尺度特征融合网络［J］.  武
                    当前的归一化方法主要是利用样本信息来                               汉 大 学 学 报（信 息 科 学 版）， 2022， 47（10）： 1546-
                估计样本均值和方差，当 BS 较小时，学者们提出                             1554.
                从其他维度来弥补 BS 较小的不足。然而，在分                              GONG Jianya， ZHANG Zhan， JIA Haowei， et al.
                析不同归一化方法的基础上，对于 BN 方法中对                              Multi-source  Data  Ground  Object  Extraction  Based
                BS 依赖这一问题，本文从贝叶斯理论的角度出                               on  Knowledge-Aware  and  Multi-scale  Feature  Fu⁃
                                                                     sion Network［J］.  Geomatics and Information Science
                发，考虑将总体信息、先验信息和样本信息科学、
                                                                     of Wuhan University， 2022， 47（10）： 1546-1554.
                合理的融合方式来弥补 BS 的不足，从而更加准
                                                                ［5］  虞欣， 郑肇葆， 李林宜 .  适用于训练样本选择的斜
                确地估计样本均值和方差，使得归一化后的特征
                                                                     交因子模型研究［J］.  武汉大学学报（信息科学版），
                落入最佳的非饱和区域，以便更好地反映整个特
                                                                     2022， 47（11）： 1870-1877.
                征空间的原始表征，进而深度学习模型可以达到                                YU Xin， ZHENG Zhaobao， LI Linyi.  Oblique Fac⁃
                最佳的特征表达能力。实验与分析表明，本文提                                tor Model for Selecting Training Samples［J］.  Geo⁃
                出的 BABN 方法是可行、有效的，在 NWPU-RE⁃                         matics and Information Science of Wuhan Universi⁃
                SISC45 数 据 集 上 ，其 分 类 精 度 比 BN 方 法 要 高               ty， 2022， 47（11）： 1870-1877.
                5.64%。 而 且 得 益 于 总 体 信 息 和 先 验 信 息 的 帮          ［6］  李彦胜， 张永军 .  耦合知识图谱和深度学习的新一
                                                                     代遥感影像解译范式［J］.  武汉大学学报（信息科学
                助，BABN 受 BS 的影响较小，而 BABN 的时间复
                                                                     版）， 2022， 47（8）： 1176-1190.
                杂度与 BN 方法基本一致。此外，从理论角度来
                                                                     LI Yansheng， ZHANG Yongjun.  A New Paradigm
                看，BABN 方法也适用于影像语义分割、目标检
                                                                     of Remote Sensing Image Interpretation by Coupling
                测和动作识别等应用领域，这也是将来需要进一                                Knowledge Graph and Deep Learning［J］.  Geomatics
                步深入研究的内容。                                            and  Information  Science  of  Wuhan  University，
                                                                     2022， 47（8）： 1176-1190.
                              参    考   文   献
                                                                ［7］  周培诚， 程塨， 姚西文， 等 .  高分辨率遥感影像解
               ［1］  张永军， 万一， 史文中， 等 .  多源卫星影像的摄影                     译中的机器学习范式［J］.  遥感学报， 2021， 25（1）：
                    测量遥感智能处理技术框架与初步实践［J］.  测绘                        182-197.
                    学报， 2021， 50（8）： 1068-1083.                      ZHOU Peicheng， CHENG Gong， YAO Xiwen， et
   112   113   114   115   116   117   118   119   120   121   122