基于深度主動(dòng)學(xué)習(xí)的高光譜遙感圖像分類方法

范迎迎，張姍姍

(新疆財(cái)經(jīng)大學(xué)信息管理學(xué)院，新疆 烏魯木齊 830008)

0 引言

高光譜圖像具有豐富的空間信息和光譜信息，被廣泛應(yīng)用于生態(tài)科學(xué)、農(nóng)業(yè)信息學(xué)、地質(zhì)學(xué)等領(lǐng)域[1].高光譜圖像分類是將高光譜圖像應(yīng)用于各領(lǐng)域的基礎(chǔ)，其目標(biāo)是為每一個(gè)像素分配一個(gè)唯一的語義標(biāo)簽.

對(duì)于高光譜圖像分類，傳統(tǒng)的基于光譜特征的方法[2-5]，由于忽略了空間特征之間的相互依賴關(guān)系，往往不能獲得良好的性能.而基于光譜空間特征的分類方法，如小波變換法[6]、低秩表示法[7]等，充分考慮了高光譜圖像中的光譜信息和空間信息，取得了相對(duì)較好的效果.然而，上述方法依賴于手工提取的特征，分類過程相對(duì)煩瑣，通用性不高，且傳統(tǒng)的淺層機(jī)器學(xué)習(xí)算法，在處理高維遙感數(shù)據(jù)時(shí)，容易陷入“維數(shù)災(zāi)難”.

近年來，深度學(xué)習(xí)技術(shù)使得高光譜圖像分類性能得到了較大改善[8-10].盡管基于深度學(xué)習(xí)的方法在純數(shù)據(jù)驅(qū)動(dòng)的方式下表現(xiàn)良好，但它們通常依賴于大量標(biāo)記樣本.然而，由于高光譜遙感圖像特殊的成像機(jī)理，高光譜圖像的獲取及標(biāo)注成本較高，很難獲得大量的標(biāo)注數(shù)據(jù).訓(xùn)練樣本的缺乏在很大程度上制約著高光譜圖像分類性能的進(jìn)一步提升.因此，如何在降低標(biāo)注成本的同時(shí)提高高光譜圖像的分類精度，成為亟待解決的問題.

本文從提高高光譜圖像分類精度和降低樣本標(biāo)注成本兩方面入手，提出一種結(jié)合殘差連接和注意力機(jī)制的分類網(wǎng)絡(luò)，充分利用高光譜圖像中的光譜空間信息進(jìn)行分類.將深度學(xué)習(xí)和主動(dòng)學(xué)習(xí)技術(shù)相結(jié)合，降低樣本標(biāo)注成本.

1 相關(guān)研究

近年來，深度學(xué)習(xí)被廣泛應(yīng)用于高光譜圖像分類任務(wù).如文獻(xiàn)[9]提出基于深度信念網(wǎng)絡(luò)的高光譜數(shù)據(jù)特征提取和分類框架，文獻(xiàn)[10]提出使用棧式自編碼對(duì)高光譜圖像進(jìn)行分類，而這兩種方法在處理高光譜數(shù)據(jù)時(shí)，不能充分利用其空間信息，分類精度有待進(jìn)一步提高.卷積神經(jīng)網(wǎng)絡(luò)(CNN)引入了局部感受野的概念，通過卷積核捕獲圖像上的空間信息，在圖像分類領(lǐng)域取得了可觀的成就.目前，有不少研究者使用CNN實(shí)現(xiàn)高光譜圖像分類.Yu等[11]通過構(gòu)建高效的端到端CNN模型，提高了高光譜圖像分類的精度；Kang等[12]提出了一種基于雙路徑網(wǎng)絡(luò)的分類方法，結(jié)合了殘差網(wǎng)絡(luò)和密集卷積網(wǎng)絡(luò)的優(yōu)點(diǎn)，取得了較好的分類效果；文獻(xiàn)[13]利用遷移學(xué)習(xí)和CNN模型對(duì)高光譜圖像分類，提高了分類性能，并且從一定程度上緩解了高光譜圖像樣本不足的問題.CNN方法使得高光譜圖像分類效果得到了一定程度的提升，但不難發(fā)現(xiàn)現(xiàn)有的基于CNN的分類方法通常對(duì)樣本量需求過大，而現(xiàn)有算法不能從根本上解決高光譜圖像數(shù)據(jù)缺乏以及標(biāo)注困難問題.

主動(dòng)學(xué)習(xí)(Active Learning，AL)[14]主要用來最大限度地減少訓(xùn)練集規(guī)模并降低標(biāo)注成本，其主要思想：通過機(jī)器學(xué)習(xí)算法篩選出那些比較難分類的樣本并進(jìn)行專家標(biāo)注，然后將得到的標(biāo)注數(shù)據(jù)再次放入機(jī)器學(xué)習(xí)模型中進(jìn)行學(xué)習(xí)，進(jìn)而提高模型的準(zhǔn)確度.目前，已有學(xué)者將主動(dòng)學(xué)習(xí)算法運(yùn)用在高光譜圖像分類中，如王立國(guó)等[15]采用支持向量機(jī)作為分類器的AL算法進(jìn)行高光譜圖像分類，但SVM在面對(duì)高光譜圖像的復(fù)雜空間光譜特征時(shí)，分類性能并不如人意；程圓娥等[16]將棧式自編碼和AL結(jié)合實(shí)現(xiàn)高光譜圖像分類，而棧式自編碼網(wǎng)絡(luò)要求輸入為一維向量，破壞了高光譜圖像的空間鄰域信息.針對(duì)上述問題，本文擬采用CNN作為主動(dòng)學(xué)習(xí)的分類器，通過殘差連接和注意力機(jī)制提升CNN網(wǎng)絡(luò)對(duì)高光譜圖像的空間-光譜信息的利用能力.

2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

本文提出的基于深度主動(dòng)學(xué)習(xí)的高光譜圖像分類網(wǎng)絡(luò)，充分利用深度學(xué)習(xí)的判別能力和主動(dòng)學(xué)習(xí)的標(biāo)記效率，進(jìn)一步提高了高光譜圖像分類的性能.其網(wǎng)絡(luò)框架圖如圖1所示.首先，為了充分利用高光譜圖像豐富的光譜空間信息，選取以待分類像素點(diǎn)為中心的三維圖像子塊作為網(wǎng)絡(luò)的輸入，其中有標(biāo)記樣本作為訓(xùn)練集訓(xùn)練分類器，而未標(biāo)記樣本則作為主動(dòng)學(xué)習(xí)的候選池；然后，使用訓(xùn)練集訓(xùn)練分類器，并基于訓(xùn)練好的分類器計(jì)算候選池中每個(gè)樣本的類別概率；最后，使用主動(dòng)學(xué)習(xí)策略選擇信息量最大的樣本進(jìn)行專家標(biāo)注，并將新標(biāo)記的樣本加入到訓(xùn)練集中，對(duì)網(wǎng)絡(luò)進(jìn)行新一輪的迭代訓(xùn)練；重復(fù)上述步驟，直至達(dá)到最大迭代次數(shù)為止.

圖1 網(wǎng)絡(luò)整體框架圖

2.1 分類器

由于本文所提算法的樣本選擇過程依賴于分類器的分類結(jié)果，所以分類器的設(shè)計(jì)在主動(dòng)學(xué)習(xí)過程中至關(guān)重要.鑒于CNN網(wǎng)絡(luò)在圖像分類領(lǐng)域取得的巨大成就，本文選取CNN網(wǎng)絡(luò)作為高光譜圖像分類的骨干網(wǎng)絡(luò).

2.1.1 基于殘差連接的CNN網(wǎng)絡(luò)

在深度學(xué)習(xí)算法中，隨著網(wǎng)絡(luò)深度的加深，網(wǎng)絡(luò)性能常常會(huì)出現(xiàn)退化，實(shí)踐證明，殘差連接通過將網(wǎng)絡(luò)低層信號(hào)以跳躍傳播的方式傳入網(wǎng)絡(luò)高層，能夠解決這種退化問題.此外，高光譜圖像存在不可避免的高維、小樣本問題，過深的網(wǎng)絡(luò)容易造成過擬合，因此本文借鑒ResNet網(wǎng)絡(luò)[17]的殘差連接思想，構(gòu)建了一個(gè)6層卷積神經(jīng)網(wǎng)絡(luò)模型，每層均采用3×3大小的卷積核，其中，前5層卷積核個(gè)數(shù)為256，第6層卷積核個(gè)數(shù)為1 024，兩個(gè)全連接層的神經(jīng)元個(gè)數(shù)分別為500和K，其中K為類別數(shù).該模型引入殘差連接方式，既能緩解使用小樣本訓(xùn)練過程中的梯度消失問題，同時(shí)有助于梯度的反向傳播.

2.1.2 融合注意力機(jī)制的CNN網(wǎng)絡(luò)

高光譜圖像的高維特性增加了對(duì)高光譜數(shù)據(jù)進(jìn)行分類的難度，如果能讓模型快速聚焦于高光譜圖像中的重要波段和關(guān)鍵區(qū)域，將會(huì)在很大程度上簡(jiǎn)化分類過程.深度學(xué)習(xí)中的注意力機(jī)制是仿照人類大腦處理視覺信息的思維方式而設(shè)計(jì)的一種機(jī)器視覺注意力機(jī)制，該機(jī)制可以將注意焦點(diǎn)迅速聚焦于圖像中的重要區(qū)域，而忽略其他無關(guān)背景區(qū)域，從而能夠更加高效地處理視覺信息.目前常用的空間注意力機(jī)制[18]能夠凸顯關(guān)鍵區(qū)域的特征表示，但忽略了圖像中各通道之間的相關(guān)性；而通道注意力機(jī)制[19]能夠?yàn)槊總€(gè)通道賦予不同的權(quán)值，提升重要通道信息抑制無關(guān)通道特征，但忽略了圖像空間內(nèi)的信息交互.為了同時(shí)兼顧空間內(nèi)、通道間的信息交互，CBAM[20]混合注意力機(jī)制被提出，該機(jī)制結(jié)合了通道域和空間域的注意力方法，形成一種較為綜合的注意力機(jī)制.如圖2所示，CBAM在原通道注意力的基礎(chǔ)上，連接了一個(gè)空間注意力模塊.為了充分利用高光譜圖像不同光譜之間的相關(guān)性以及提升高光譜圖像關(guān)鍵空間區(qū)域的特征表達(dá)，本文在CNN網(wǎng)絡(luò)中加入了CBAM注意力機(jī)制.

圖2 CBAM結(jié)構(gòu)圖

本文提出的分類網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示.為了更好地描述分類器的工作過程，給出如下定義：對(duì)于高光譜數(shù)據(jù)I∈RH×W×D，H和W分別為高光譜圖像的高和寬，D為波段數(shù)，假設(shè)xi∈Rm×m×D是以像素pi為中心像素、空間大小為m×m、波段數(shù)為D的3維圖像塊，yi為像素pi的類別標(biāo)簽，N為校本總數(shù)，則訓(xùn)練樣本集DL={(x1，y1)，…，(xn，yn)}，候選樣本集(未標(biāo)記樣本)DU={pn+1，…，pN}，高光譜圖像分類的目的是為每個(gè)像素pi分配一個(gè)類別標(biāo)簽yi.

圖3 分類器結(jié)構(gòu)圖

則卷積操作計(jì)算公式為

(1)

在網(wǎng)絡(luò)的輸出層采用Softmax函數(shù)計(jì)算類別概率，對(duì)于一個(gè)多分類問題，如C(C>2)類，給定輸入x，假設(shè)P=(y(i)=1|x(i)；θ)為每一個(gè)類別j的概率值，則其公式為

(2)

使用交叉熵?fù)p失函數(shù)優(yōu)化網(wǎng)絡(luò)參數(shù)，公式為

(3)

2.2 主動(dòng)學(xué)習(xí)查詢策略

主動(dòng)學(xué)習(xí)查詢策略是主動(dòng)學(xué)習(xí)算法的核心組件通過查詢策略可以挑選出最有價(jià)值的一組樣本，提高模型分類的精度.目前，使用最多的是基于不確定性采樣的方法.本文擬采用基于最小置信度(Minimum Confidence，MC)和基于最優(yōu)標(biāo)號(hào)和次優(yōu)標(biāo)號(hào)(Best vs second-best，BvSB)的采樣方法.

2.2.1 基于MC的采樣

該方法選擇最大概率最小的樣本進(jìn)行標(biāo)注，最大概率越小說明樣本的不確定性越大.本文將所有未標(biāo)記數(shù)據(jù)輸入到CNN網(wǎng)絡(luò)，網(wǎng)絡(luò)的Softmax函數(shù)輸出值為屬于某類地物的類別概率，假設(shè)最后一層全連接層的輸出向量為v，vi表示v中的第i個(gè)元素，則經(jīng)過Softmax函數(shù)后的輸出為

(4)

所有基于MC的采樣可以表示為

MC=min{Pmax}.

(5)

其中Pmax=max(Pi).

2.2.2 基于BvSB的采樣

該方法選擇極易被判定為兩類的數(shù)據(jù)，即選擇模型預(yù)測(cè)最大和次大的概率差值最小的樣本.樣本的最大和次大的概率差值小就說明該樣本很容易被錯(cuò)誤分類，對(duì)這樣的樣本進(jìn)行標(biāo)注，有更大的標(biāo)注價(jià)值.由(5)式基于BvSB的采樣可以表示為

BvSB=min{Pmax-Psecond-max}.

(6)

其中Psecond-max表示次大概率值.

訓(xùn)練集和未標(biāo)注樣本集在每次主動(dòng)選擇后動(dòng)態(tài)更新，即被主動(dòng)選擇策略選中的樣本將從未標(biāo)記樣本池DU中刪除，新標(biāo)注的樣本會(huì)被添加到訓(xùn)練集DL中，假設(shè)每次主動(dòng)選擇b個(gè)樣本進(jìn)行標(biāo)記，則：

DL=DL∪{(x1，y1)，…，(xb，yb)}；

(7)

DU=DU-{(x1)，…，(xb)}.

(8)

整個(gè)算法流程可以歸納如下：

算法1 本文算法

輸入：訓(xùn)練樣本集DL，未標(biāo)注樣本集DU，主動(dòng)選擇次數(shù)S，首次隨機(jī)選取樣本數(shù)a，每次主動(dòng)選取樣本數(shù)b；

初始化：s=0

(1)隨機(jī)選擇m個(gè)標(biāo)記樣本構(gòu)造初始訓(xùn)練樣本集DL，

(2)Whiles

(3)使用DL訓(xùn)練分類網(wǎng)絡(luò)，

(4)使用訓(xùn)練好的分類網(wǎng)絡(luò)計(jì)算DU中的每個(gè)樣本的類別概率，

(5)根據(jù)(5)—(6)式主動(dòng)選擇b個(gè)樣本進(jìn)行標(biāo)記，

(6)根據(jù)(7)—(8)式更新DL，DU，

(7)EndWhile；

輸出：類別.

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

為了評(píng)估本文所提算法的性能，在兩個(gè)廣泛使用的高光譜圖像分類數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn).

(1)IndianPines(IP)數(shù)據(jù)集：該數(shù)據(jù)集是最早用于高光譜圖像分類的公開數(shù)據(jù)集，由機(jī)載可見光紅外光譜儀(AVIRIS)采集得到，影像范圍為美國(guó)西北部印第安納州的印第安納松樹試驗(yàn)田，大小為145×145像素，空間分辨率大小為20 m，包含220個(gè)波段，剔除了20個(gè)噪聲和水吸收波段，保留了200個(gè)波段用于實(shí)驗(yàn)，包含了16種地物類別.該數(shù)據(jù)集的偽彩圖和標(biāo)簽圖見圖4(a).

(2)Pavia University(PU)數(shù)據(jù)集：該數(shù)據(jù)集由反射光學(xué)成像光譜儀(ROSIS)采集獲得影像范圍為意大利帕維亞城，大小為610×340像素，空間分辨率大小為1.3 m，包含103個(gè)可用波段，共9種地物類別.該數(shù)據(jù)集的偽彩圖和標(biāo)簽圖見圖4(b).

圖4 IP(a)和PU(b)的偽彩色和真彩色圖

3.2 實(shí)驗(yàn)環(huán)境與設(shè)置

本文實(shí)驗(yàn)在深度學(xué)習(xí)框架Pytorch中進(jìn)行，硬件環(huán)境為IntelCore i7-9700CPU處理器，內(nèi)存大小為16 GB，顯卡為 NVIDIAGeForce RTX 2080.分類網(wǎng)絡(luò)選取遙感圖像塊作為網(wǎng)絡(luò)的輸入，若圖像塊尺寸過大，則會(huì)包含較多的其他地物信息，對(duì)實(shí)驗(yàn)結(jié)果影響較大；若選取的圖像塊尺寸過小，則從圖像中學(xué)習(xí)到的特征有限，也不利于分類，因此，本文根據(jù)經(jīng)驗(yàn)選取輸入圖像塊大小為7×7像素，設(shè)置分類器的batch大小設(shè)為32，epoch大小為200，學(xué)習(xí)率大小為0.01.實(shí)驗(yàn)設(shè)置5輪CNN訓(xùn)練，第一輪從未標(biāo)記樣本池中隨機(jī)選取250個(gè)樣本標(biāo)注后進(jìn)行訓(xùn)練，主動(dòng)學(xué)習(xí)迭代次數(shù)為5，每次從未標(biāo)記樣本中選擇60個(gè)進(jìn)行標(biāo)注，所以總訓(xùn)練樣本數(shù)為550.

3.3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)選用3個(gè)評(píng)價(jià)指標(biāo)評(píng)估分類性能，即總體分類精度(Overall accuracy，OA)、平均分類精度(Average accuracy，AA)、Kappa系數(shù)作為評(píng)價(jià)指標(biāo).

3.3.1 不同查詢策略對(duì)分類精度的影響

為了探索不同查詢策略對(duì)模型結(jié)果的影響，通過實(shí)驗(yàn)比較了MC、BvSB、RS(Randomselection，RS)3種查詢策略在5次主動(dòng)學(xué)習(xí)迭代后的分類結(jié)果，如表1所示.

表1 不同查詢策略的實(shí)驗(yàn)結(jié)果 %

由表1可以看出，采用BvBS的主動(dòng)學(xué)習(xí)策略在兩個(gè)數(shù)據(jù)集上都取得了較好的分類效果，這是因?yàn)樵?種策略中，只有BvBS是基于邊緣的查詢方法，能夠更準(zhǔn)確地篩選出難分類樣本；基于RS的分類策略毫無懸念地取得了最差的分類結(jié)果，因?yàn)檫@種選擇方法漫無目的地從未標(biāo)記樣本中選擇樣本進(jìn)行標(biāo)記，無法為模型提供貢獻(xiàn)率較大的樣本.因此在實(shí)驗(yàn)中采用BvBS查詢策略.

3.3.2 注意力機(jī)制和AL策略對(duì)分類精度的影響

通過對(duì)比實(shí)驗(yàn)驗(yàn)證注意力機(jī)制和主動(dòng)學(xué)習(xí)策略對(duì)實(shí)驗(yàn)結(jié)果的影響.將本文提出的未加注意力機(jī)制的CNN網(wǎng)絡(luò)設(shè)置為基線網(wǎng)絡(luò)，記為CNN，則CNN-CBAM為在基線網(wǎng)絡(luò)中加入CBAM，CNN-AL為使用基線CNN網(wǎng)絡(luò)作為分類器的主動(dòng)學(xué)習(xí)模型，CNN-CBAM-AL為使用CNN-CBAM作為分類器的主動(dòng)學(xué)習(xí)模型.非主動(dòng)學(xué)習(xí)方法(CNN、CNN-CBAM)采用隨機(jī)選擇樣本的方式進(jìn)行迭代訓(xùn)練，所有模型經(jīng)過5次迭代后的實(shí)驗(yàn)結(jié)果如表2所示.由表2中CNN和CNN-CBAM方法的對(duì)比結(jié)果可知，加入注意力機(jī)制后的網(wǎng)絡(luò)分類結(jié)果在兩個(gè)數(shù)據(jù)集上均有提升，說明CBAM可以使網(wǎng)絡(luò)更加關(guān)注關(guān)鍵空間-光譜特征，能夠提高特征表達(dá)能力，提升網(wǎng)絡(luò)分類效果；由CNN和CNN-AL方法的對(duì)比結(jié)果可知，采用主動(dòng)學(xué)習(xí)策略的模型能夠大幅度提升網(wǎng)絡(luò)性能，在IP、PU數(shù)據(jù)集上OA分別提升了7.9%，9.54%；4種方法對(duì)比可知，加入注意力機(jī)制和主動(dòng)學(xué)習(xí)策略的網(wǎng)絡(luò)取得了最優(yōu)的分類結(jié)果，而且，發(fā)現(xiàn)在PU數(shù)據(jù)集上的分類結(jié)果高于IP數(shù)據(jù)集，這主要是因?yàn)镮P數(shù)據(jù)集地物類別更加復(fù)雜.

表2 實(shí)驗(yàn)結(jié)果 %

3.3.3 不同分類器對(duì)AL方法實(shí)驗(yàn)結(jié)果的影響

為了驗(yàn)證本文所提分類網(wǎng)絡(luò)的性能，將本文方法與使用K近鄰(KNN)、支持向量機(jī)(SVM)、棧式自編碼(SAE)、深度置信網(wǎng)絡(luò)(DBN)作為分類器的主動(dòng)學(xué)習(xí)方法進(jìn)行了對(duì)比.對(duì)于KNN算法，設(shè)置近鄰數(shù)K=10；對(duì)于SVM算法，將高光譜圖像的光譜特征作為模型輸入，使用徑向基核函數(shù)將輸入映射到高維空間，正則化參數(shù)c和核參數(shù)g由交叉驗(yàn)證的網(wǎng)格搜索確定；對(duì)于SAE算法，設(shè)置3個(gè)隱藏層，隱層神經(jīng)元個(gè)數(shù)分別為80，50，30，學(xué)習(xí)率為0.05，epoch為200；對(duì)于DBN算法，設(shè)置DBN網(wǎng)絡(luò)為3層，各層節(jié)點(diǎn)數(shù)為64，學(xué)習(xí)率為0.05，epoch為200.圖像的選取見3.2節(jié)的實(shí)驗(yàn)設(shè)置，使用不同分類器主動(dòng)學(xué)習(xí)算法在IP數(shù)據(jù)集上分類效果如圖5所示、PU數(shù)據(jù)集上的分類結(jié)果見圖6.

圖5 不同分類器在IP數(shù)據(jù)集上的分類結(jié)果

圖6 不同分類器在PU數(shù)據(jù)集上的分類結(jié)果

由圖5和6可知，(1)隨著訓(xùn)練樣本的增加，所有方法的OA值均呈現(xiàn)上升趨勢(shì)，說明主動(dòng)學(xué)習(xí)算法在分類過程中能夠提升分類準(zhǔn)確度；(2)深度神經(jīng)網(wǎng)絡(luò)方法高于傳統(tǒng)淺層機(jī)器學(xué)習(xí)算法，說明深度學(xué)習(xí)方法在處理高維數(shù)據(jù)時(shí)具有明顯優(yōu)勢(shì)；(3)本文提出的加入CBAM的CNN方法取得了最高的分類方法，且明顯高出其余兩種深度學(xué)習(xí)算法，這是因?yàn)槭褂肧AE和DBN方法時(shí)需要將輸入數(shù)據(jù)轉(zhuǎn)成一維向量，破壞了高光譜圖像的空間結(jié)構(gòu)信息，而基于CNN的方法以圖像塊作為輸入，能夠同時(shí)利用高光譜圖像的空間光譜信息進(jìn)行分類.

4 結(jié)束語

本文將深度學(xué)習(xí)和主動(dòng)學(xué)習(xí)技術(shù)結(jié)合使用，提出基于深度主動(dòng)學(xué)習(xí)的高光譜圖像分類技術(shù)，設(shè)計(jì)了適用于高光譜圖像分類問題的6層卷積神經(jīng)網(wǎng)絡(luò)，并加入CBAM注意力機(jī)制，充分挖掘圖像中關(guān)鍵的空間光譜信息；應(yīng)用不同的主動(dòng)學(xué)習(xí)策略，探索主動(dòng)學(xué)習(xí)技術(shù)在解決高光譜圖像標(biāo)注問題中的應(yīng)用潛力.通過在IP和PU兩個(gè)高光譜數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明本文提出的CNN-CBAM分類器結(jié)合BvSB查詢策略能夠取得較好的分類性能.