基于异构网络的对比学习方法用于极化SAR土地覆盖分类
计算机视觉与模式识别
2024-05-07 v2
摘要
极化合成孔径雷达（PolSAR）图像解译广泛应用于各个领域。近年来，深度学习在PolSAR图像分类方面取得了显著进展。监督学习（SL）需要大量高质量的标注PolSAR数据才能获得更好的性能，然而，人工标注的数据是不足的。这导致监督学习陷入过拟合，并降低了其泛化性能。此外，散射混淆问题也是一个备受关注的重要挑战。为了解决这些问题，本文提出了一种基于异构网络的对比学习方法（HCLNet）。它旨在根据多特征和超像素，从无标注的PolSAR数据中学习高级表示，用于少样本分类。超越传统的对比学习（CL），HCLNet首次引入了异构架构，以更好地利用异构的PolSAR特征。并且，它开发了两个易于使用的插件来缩小光学和PolSAR之间的领域差距，包括特征过滤器和基于超像素的实例判别，前者用于增强多特征的互补性，后者用于增加负样本的多样性。实验表明，与最先进的方法相比，HCLNet在三个广泛使用的PolSAR基准数据集上具有优越性。消融研究也验证了每个组件的重要性。此外，这项工作对于如何有效利用PolSAR数据的多特征在对比学习中学习更好的高级表示，以及如何构建更适合PolSAR数据的网络具有启示意义。
引用
@article{arxiv.2403.19902,
title = {Heterogeneous Network Based Contrastive Learning Method for PolSAR Land Cover Classification},
author = {Jianfeng Cai and Yue Ma and Zhixi Feng and Shuyuan Yang},
journal= {arXiv preprint arXiv:2403.19902},
year = {2024}
}