基于 GraphMAE 与局部特征提取的双分支极化合成孔径雷达图像分类
计算机视觉与模式识别
2024-08-09 v1 机器学习
摘要
极化合成孔径雷达（PolSAR）图像的标注是一种费时费力的过程。因此，在遥感领域对带有限标签的 PolSAR 图像进行分类是一项具有挑战性的任务。近年来，自监督学习方法在 PolSAR 图像稀疏标签分类方面证明有效。然而，我们注意到在该任务中缺乏生成式自监督学习的研究。为此，我们提出一种基于生成式自监督学习的双分支分类模型。该模型的第一个分支是超像素分支，利用生成式自监督图掩码自编码器学习超像素级极化表征。为获取更精细的分类结果，进一步引入基于卷积神经网络的像素分支以学习像素级特征。最终对融合双分支特征进行分类以获得预测结果。在基准 Flevoland 数据集上的实验结果表明，我们的方法在分类方面表现出色。
引用
@article{arxiv.2408.04294,
title = {Dual-branch PolSAR Image Classification Based on GraphMAE and Local Feature Extraction},
author = {Yuchen Wang and Ziyi Guo and Haixia Bi and Danfeng Hong and Chen Xu},
journal= {arXiv preprint arXiv:2408.04294},
year = {2024}
}