基于一种新型复值深度全卷积网络的像素级 PolSAR 图像分类
图像与视频处理
2019-10-01 v1 计算机视觉与模式识别
摘要
尽管复值（CV）神经网络在极化合成孔径雷达（PolSAR）分类中相比其实值（RV）对应网络展现出更优的分类结果，但将像素级 RV 网络扩展至复域尚未被充分研究。本文提出一种专为 PolSAR 图像分类设计的新型复值深度全卷积神经网络（CV-FCN）。具体而言，CV-FCN 使用包含相位信息的 PolSAR 复值数据，并利用执行像素级标注的深度 FCN 架构。它将特征提取模块与分类模块集成于统一框架中。从技术上讲，针对 PolSAR 数据的特殊性，定义了一种专用的复值权重初始化方案来初始化 CV-FCN。该方案考虑极化数据的分布，以高效快速的方式从头训练 CV-FCN。CV-FCN 采用复值下采样再上采样方案来提取稠密特征。为丰富判别信息，通过复值下采样方案提取保留更多极化信息的多级 CV 特征。随后，提出一种复值上采样方案来预测稠密 CV 标注。它采用复值最大反池化层来大幅捕获更多空间信息，从而更好地抑制散斑噪声。此外，为实现更快收敛并获得更精确的分类结果，推导了一种新颖的平均交叉熵损失函数用于 CV-FCN 优化。在真实 PolSAR 数据集上的实验表明，CV-FCN 取得了优于其他 SOTA 方法的分类性能。
引用
@article{arxiv.1909.13299,
title = {Pixel-Wise PolSAR Image Classification via a Novel Complex-Valued Deep Fully Convolutional Network},
author = {Yice Cao and Yan Wu and Peng Zhang and Wenkai Liang and Ming Li},
journal= {arXiv preprint arXiv:1909.13299},
year = {2019}
}
备注
17 pages, 12 figures, first submission on May 20th, 2019