SDF2Net：用于 PolSAR 图像分类的浅层至深层特征融合网络
计算机视觉与模式识别
2026-05-18 v1 图像与视频处理
摘要
极化合成孔径雷达 (PolSAR) 图像包含有价值的信息，可促进广泛的土地覆盖解释并生成多样化的输出产品。从 PolSAR 数据中提取有意义的特征面临着不同于光学图像的挑战。深度学习 (DL) 方法为克服 PolSAR 特征提取中的这些挑战提供了有效的解决方案。卷积神经网络 (CNN) 通过利用核能力考虑局部信息和 PolSAR 数据的复数性质，在捕捉 PolSAR 图像特征方面发挥着至关重要的作用。本研究提出了一种名为“浅层至深层特征融合网络”(SDF2Net) 的新型复数 CNN 三分支融合模型，用于 PolSAR 图像分类。为了验证所提方法的性能，我们将分类结果与多种最先进的方法进行了比较，使用了 Flevoland 和旧金山的机载合成孔径雷达 (AIRSAR) 数据集以及 ESAR Oberpfaffenhofen 数据集。结果表明，所提方法在总体精度上有所提升，AIRSAR 数据集提升了 1.3% 和 0.8%，ESAR 数据集提升了 0.5%。对 Flevoland 数据的分析强调了 SDF2Net 模型的有效性，揭示了即使在仅 1% 的采样率下，也能达到 96.01% 的有望的总体精度。
引用
@article{arxiv.2402.17672,
title = {SDF2Net: Shallow to Deep Feature Fusion Network for PolSAR Image Classification},
author = {Mohammed Q. Alkhatib and M. Sami Zitouni and Mina Al-Saad and Nour Aburaed and Hussain Al-Ahmad},
journal= {arXiv preprint arXiv:2402.17672},
year = {2026}
}