基于语义交互信息与非局部拓扑结构的多频 PolSAR 图像融合分类
图像与视频处理
2023-05-03 v1
摘要
相较于单频多极化 SAR 图像分类技术的快速发展，关于多频极化 SAR（MF-PolSAR）图像地物分类的研究较少。此外，当前用于 MF-PolSAR 分类的深度学习方法主要基于卷积神经网络（CNNs），仅考虑局部空间性而忽略了非局部关系。因此，基于语义交互与非局部拓扑结构，本文提出 MF 语义与拓扑融合网络（MF-STFnet）以提升 MF-PolSAR 分类性能。在 MF-STFnet 中，对每个波段实施两类分类：基于语义信息的（SIC）与基于拓扑属性的（TPC）。它们在 MF-STFnet 训练过程中协同工作，既能充分利用波段间的互补性，又能结合局部与非局部空间信息以提升不同类别间的判别力。对于 SIC，嵌入所设计的跨波段交互特征提取模块（CIFEM）以显式建模波段间的深层语义关联，从而利用波段互补性使地物更易分离。对于 TPC，采用图采样与聚合网络（GraphSAGE）动态捕获地物类别间非局部拓扑关系的表示。如此，结合非局部空间信息可进一步提升分类的鲁棒性。最后，提出自适应加权融合（AWF）策略以合并来自不同波段的推断，从而作出 SIC 与 TPC 的 MF 联合分类决策。对比实验表明，MF-STFnet 可比若干前沿方法取得更具竞争力的分类性能。
引用
@article{arxiv.2209.01921,
title = {Multi-frequency PolSAR Image Fusion Classification Based on Semantic Interactive Information and Topological Structure},
author = {Yice Cao and Yan Wu and Ming Li and Mingjie Zheng and Peng Zhang and Jili Wang},
journal= {arXiv preprint arXiv:2209.01921},
year = {2023}
}