DDF2Pol：用于多偏振SAR图像分类的双域特征融合网络
计算机视觉与模式识别
2026-04-22 v1
摘要
本文提出了 DDF2Pol，一种轻量级双域卷积神经网络，用于多偏振合成孔径雷达（PolSAR）图像分类。该网络集成了两个平行的特征提取流，一个是实值特征提取流，另一个是复值特征提取流，旨在从PolSAR数据中捕获互补的空间和偏振信息。为进一步细化提取的特征，采用深度可分离卷积层进行空间增强，随后引入坐标注意力机制以聚焦于最具信息性的区域。在Flevoland和San Francisco两个基准数据集上的实验评估表明，DDF2Pol在保持低模型复杂度的同时实现了优异的分类性能。具体而言，在Flevoland数据集上达到98.16%的总体准确率（OA），在San Francisco数据集上达到96.12%，超越了多个最先进的实值和复值模型。该网络仅需91,371个参数，为准确的PolSAR图像分析提供了实用且高效的解决方案，即使在训练数据有限的情况下也能发挥良好作用。源代码已公开于 https://github.com/mqalkhatib/DDF2Pol
引用
@article{arxiv.2604.18853,
title = {DDF2Pol: A Dual-Domain Feature Fusion Network for PolSAR Image Classification},
author = {Mohammed Q. Alkhatib},
journal= {arXiv preprint arXiv:2604.18853},
year = {2026}
}
备注
Pre-print Accepted for Publication in Pattern Recognition Letters