用于极性合成孔径雷达图像分类的新型黎曼稀疏表示学习网络
计算机视觉与模式识别
2025-02-24 v1
摘要
深度学习是极性合成孔径雷达(PolSAR)图像分类的有效端到端方法，但缺乏相关数学原理的指导，本质上是一个黑盒模型。此外，现有深度模型在欧几里得空间中学习特征，其中PolSAR复数矩阵通常被转换为复数向量作为网络输入，扭曲了矩阵结构和通道关系。然而，复协方差矩阵为厄米正定(HPD)，位于黎曼流形而非欧几里得流形上。现有方法无法衡量HPD矩阵的几何距离，容易因不恰当的欧几里得测度而导致某些误分类。为此，我们提出一种新型黎曼稀疏表示学习网络(SRSR CNN)用于PolSAR图像。首先，设计基于超像素的黎曼稀疏表示(SRSR)模型，以黎曼度量学习稀疏特征。随后，将SRSR模型的优化程序推导并进一步展开为SRSRnet，该网络可自动学习稀疏系数和字典原子。此外，为学习上下文高层特征，添加CNN增强模块以提高分类性能。该提议网络为稀疏表示(SR)导向的深度学习模型，可直接利用协方差矩阵作为网络输入，并利用黎曼度量在黎曼空间中学习复矩阵的几何结构和稀疏特征。在三个真实PolSAR数据集上的实验表明，该方法在确保准确边缘细节和正确区域同质性方面优于当前最先进技术。
引用
@article{arxiv.2502.15302,
title = {A Novel Riemannian Sparse Representation Learning Network for Polarimetric SAR Image Classification},
author = {Junfei Shi and Mengmeng Nie and Weisi Lin and Haiyan Jin and Junhuai Li and Rui Wang},
journal= {arXiv preprint arXiv:2502.15302},
year = {2025}
}
备注
13 pages, 9 figures