使用紧凑卷积神经网络的全极化SAR图像分类
计算机视觉与模式识别
2024-09-10 v1 机器学习
摘要
极化合成孔径雷达(PolSAR)图像分类是一个活跃的研究领域，在环境应用中发挥重要作用。该领域提出的传统机器学习(ML)方法通常侧重于利用高判别性特征来改善分类性能，但这一任务因著名的“维数灾难”现象而复杂化。其他基于深度卷积神经网络(CNNs)的方法存在一定局限与缺陷，例如高计算复杂度、需要带真实标签的过大训练集以及特殊硬件需求。在这项工作中，为应对传统ML和基于深度CNN方法的局限，提出了一种新颖且系统的PolSAR图像分类框架，基于使用滑动窗口分类方法的紧凑自适应CNN实现。所提方法有三个优势。首先，无需广泛的特徵提取过程。其次，由于采用紧凑配置，计算高效。特别地，所提紧凑自适应CNN模型旨在以最小训练和计算复杂度实现最大分类精度。考虑到PolSAR分类中标注的高成本，这一点相当重要。最后，所提方法可使用比深度CNN更小的窗口尺寸进行分类。实验评估在最常用的四个基准PolSAR图像上执行：旧金山湾和Flevoland地区的AIRSAR L波段与RADARSAT-2 C波段数据。相应地，这些基准研究站点的最佳总体精度介于92.33%至99.39%。
引用
@article{arxiv.2011.05243,
title = {Classification of Polarimetric SAR Images Using Compact Convolutional Neural Networks},
author = {Mete Ahishali and Serkan Kiranyaz and Turker Ince and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2011.05243},
year = {2024}
}