面向可解释 PolSAR 图像分类的极化散射机制感知概念瓶颈与 Kolmogorov-Arnold 网络
图像与视频处理
2025-07-08 v1 计算机视觉与模式识别
摘要
近年来，深度学习（DL）方法在 PolSAR 图像分类领域受到广泛和充足的关注，显示出卓越的性能。然而，由于 DL 方法的“黑盒”本质，对于提取的高维特征的解释，以及基于这些特征对决策过程进行追溯，仍是未解决的问题。本研究首先强调了这一问题，并尝试借助极化目标分解（PTD）——一种与散射机制相关的 PolSAR 图像处理领域的特征提取方法——来实现对基于 DL 的 PolSAR 图像分类技术的可解释性分析。在本工作中，通过构建极化概念标签和一种名为 Parallel Concept Bottleneck Networks（PaCBM）的新型结构，将不可解释的高维特征转化为基于可验证极化散射机制的易于人类理解的概念。随后，采用 Kolmogorov-Arnold 网络（KAN）取代多层感知机（MLP），实现更简洁、易于理解的层间映射过程，并进一步增强非线性建模能力。实验结果表明，在多个 PolSAR 数据集上，通过提出的管道可以在保持满意准确率的前提下实现特征的概念化，并且，通过结合样条函数可获得用于从概念标签预测类别标签的分析函数，从而推动基于 DL 的 PolSAR 图像分类模型可解释性研究。
引用
@article{arxiv.2507.03315,
title = {Towards Interpretable PolSAR Image Classification: Polarimetric Scattering Mechanism Informed Concept Bottleneck and Kolmogorov-Arnold Network},
author = {Jinqi Zhang and Fangzhou Han and Di Zhuang and Lamei Zhang and Bin Zou and Li Yuan},
journal= {arXiv preprint arXiv:2507.03315},
year = {2025}
}