ResNet网络改进实战（在每一层后添加CBAM模块）：用于遥感卫星土地利用图像分类

简介：
本文提出了一种基于ResNet架构并结合CBAM模块的改进方法，旨在提升遥感卫星图像中土地利用分类的精度。通过在每个残差块之后加入通道和空间注意力机制，增强了模型对关键特征的学习能力，从而提高了复杂场景下的识别性能。 【分类介绍】 网络采用ResNet家族系列模型，包括ResNet18、34、50、101及152版本。 在训练过程中可以根据需求进行迁移学习或仅训练分类层；为了做对比消融试验，优化器采用了Adam和SGD两种方式。损失函数使用多类别的交叉熵，并采用cos余弦退火算法对学习率进行调整。 验证集的评估会在训练同时完成，训练脚本会对训练集及验证集的数据分别进行评价，指标包括loss、准确率、混淆矩阵、召回率（recall）、精确度（precision）、F1值和特异度等，并返回相应的曲线图像。用户可根据个人需求绘制不同类型的图表，请参考训练日志中的json文件。 推理时只需将图片放置在指定目录即可。 更换数据集的话，可参照readme文档中提供的指南进行操作。 【改进】 代码在ResNet每个层后加入了CBAM模块，可以根据需要仅对特定的layer添加该模块，并注释掉其他部分。为了方便起见，若想替换其他模块，则只需将CBAM替换成所需的新组件即可。 本项目使用的数据集包含21种土地目标分类。 有关更多分类和分割方面的改进，请参阅相关文档或博客文章。