用于SAR图像分类的物理可解释CNN
图像与视频处理
2023-01-10 v2 计算机视觉与模式识别
摘要
将合成孔径雷达(Synthetic Aperture Radar, SAR)的特殊电磁特性融入深度神经网络，对于增强深度学习的可解释性与物理感知至关重要。本文首次提出一种用于SAR图像分类的新型物理可解释卷积神经网络，即物理引导与注入学习(physics guided and injected learning, PGIL)。它由三部分组成：(1)可解释模型(XM)以提供先验物理知识，(2)物理引导网络(PGN)将知识编码为物理感知特征，(3)物理注入网络(PIN)将物理感知特征自适应地引入分类流程以进行标签预测。为评估提出一种混合图像-物理SAR数据集格式，并使用Sentinel-1与高分三号(Gaofen-3) SAR数据进行了实验。结果表明，在标注数据有限的情况下，所提PGIL相比同类数据驱动CNN及其他预训练方法显著提升了分类性能。此外，对物理解释进行了讨论，以表明预测中保留的可解释性与物理一致性。我们认为所提方法将推动SAR图像解译领域中物理可解释深度学习的发展。
引用
@article{arxiv.2110.14144,
title = {Physically Explainable CNN for SAR Image Classification},
author = {Zhongling Huang and Xiwen Yao and Ying Liu and Corneliu Octavian Dumitru and Mihai Datcu and Junwei Han},
journal= {arXiv preprint arXiv:2110.14144},
year = {2023}
}