通过多任务深度学习框架高效利用复值 PolSAR 图像数据
计算机视觉与模式识别
2019-09-13 v2
摘要
卷积神经网络（CNN）已被广泛用于提高极化合成孔径雷达（PolSAR）图像分类的精度。然而，在大多数研究中，很少考虑 PolSAR 图像与光学图像之间的差异。现有的 CNN 大多未针对 PolSAR 图像分类任务进行专门定制，其中复值 PolSAR 数据被简单等同于实值数据，以适应光学图像处理架构并避免复值运算。这是 CNN 无法在 PolSAR 分类中充分发挥其能力的原因之一。为了解决上述问题，本文旨在为 PolSAR 图像分类开发一个定制的 CNN 框架，该框架可从两个方面实现：寻找一种更好的 PolSAR 数据形式作为 CNN 的输入，并基于所提出的输入形式构建匹配的 CNN 架构。在本文中，考虑到复值的性质，首次提取复值 PolSAR 数据的幅度和相位作为输入，以在避免不成熟的复值运算的同时保持原始信息的完整性。随后，提出了一种多任务 CNN（MCNN）架构以匹配改进的输入形式并获得更好的分类结果。此外，将深度可分离卷积引入所提出的架构，以便更好地从相位信息中提取信息。在三个 PolSAR 基准数据集上的实验不仅证明了使用幅度和相位作为输入确实有助于提高 PolSAR 分类精度，还验证了改进的输入形式与精心设计的架构之间的适应性。
引用
@article{arxiv.1903.09917,
title = {Efficiently utilizing complex-valued PolSAR image data via a multi-task deep learning framework},
author = {Lamei Zhang and Hongwei Dong and Bin Zou},
journal= {arXiv preprint arXiv:1903.09917},
year = {2019}
}