基于统计的双频偏差学习与样本修正的 PolSAR 图像分类
计算机视觉与模式识别
2025-07-08 v1
摘要
双频 PolSAR 图像的协同分类是一项具有意义但也充满挑战的研究。区域一致性对分类信息学习以及双频数据的合理利用是双频协同分类的两个主要难题。为此，本文提出一种基于统计的样本修正的所选知识蒸馏网络（SKDNet-SSR）。首先，除在本文中应用 CNN 和 ViT 作为局部和全局特征提取器外，还设计了基于统计的动态样本修正（SDSR）模块，以避免差异较大的区域一致性对空间信息学习过程的影响。具体而言，基于 PolSAR 协方差矩阵符合复 Wishart 分布的事实，SDSR 首先动态评估样本纯度，然后进行像素选择和像素生成以消除噪声像素，从而避免信息像素与噪声像素之间的特征相互作用，提高分类特征提取过程。接下来，构建双频门控式蒸馈（DGSD）模块，以强调不同频段的优势并对双频数据进行互补学习。它使用每个样本上占主导地位的单频分支作为教师模型来训练双频学生模型，使学生模型能够学习最佳结果，并在不同地形对象上实现双频数据的互补利用。在四个测量的双频 PolSAR 数据上的综合实验表明，所提出的 SKDNet-SSR 在其他相关方法之上表现更佳。
引用
@article{arxiv.2507.03268,
title = {Dual-frequency Selected Knowledge Distillation with Statistical-based Sample Rectification for PolSAR Image Classification},
author = {Xinyue Xin and Ming Li and Yan Wu and Xiang Li and Peng Zhang and Dazhi Xu},
journal= {arXiv preprint arXiv:2507.03268},
year = {2025}
}