用于极化合成孔径雷达图像分类的黎曼复矩阵卷积网络
计算机视觉与模式识别
2023-12-07 v1
摘要
近年来，深度学习方法在极化合成孔径雷达（PolSAR）图像分类中取得了优越性能。现有深度学习方法通过将协方差矩阵转换为特征向量或复值向量作为输入来学习PolSAR数据。然而，这些方法均无法直接学习复矩阵的结构并破坏了通道相关性。为了学习复矩阵的几何结构，我们首次提出一种用于PolSAR图像分类的黎曼空间中的黎曼复矩阵卷积网络，该网络直接利用复矩阵作为网络输入并定义黎曼操作以学习复矩阵特征。所提出的黎曼复矩阵卷积网络将赋予黎曼流形的PolSAR复矩阵考虑在内，并定义了一系列黎曼空间中的新黎曼卷积、ReLu和LogEig操作，突破了常规网络的欧氏约束。然后，附加一个CNN模块以增强上下文黎曼特征。此外，为该提出的方法开发了一种快速核学习方法，以学习类特定特征并有效减少计算时间。在三个具有不同波段和传感器的真实PolSAR数据集上进行了实验。实验结果表明，所提方法能获得优于最先进方法的性能。
引用
@article{arxiv.2312.03378,
title = {Riemannian Complex Matrix Convolution Network for PolSAR Image Classification},
author = {Junfei Shi and Wei Wang and Haiyan Jin and Mengmeng Nie and Shanshan Ji},
journal= {arXiv preprint arXiv:2312.03378},
year = {2023}
}