基于深度卷积神经网络并将双极化特征融入训练数据集的沿海带弱监督土地分类
图像与视频处理
2024-11-20 v4 计算机视觉与模式识别
摘要
在本工作中，我们探索了 DCNN 在使用星载极化合成孔径雷达（PolSAR）数据集进行语义分割上的性能。当考虑 SAR 数据的特性与数据标注流程时，使用 PolSAR 数据的语义分割任务可归类为弱监督学习。最初对数据集进行分析以选取可行的预训练图像。随后从空间分辨率与观测几何角度考察了星载与机载数据集之间的差异。在本研究中，我们使用了由 TerraSAR-X DLR 获取的两幅双极化图像。提出了一种生成具有更多监督信息训练数据集的新方法。具体而言，一系列典型分类图像以及强度图像作为训练数据集。对约 20 平方公里的区域进行了野外调查以获得用于精度评价的地面真值数据集。针对前述训练数据集制定了若干迁移学习策略，并将以可行顺序组合。随后实现了三种 DCNN 模型，包括 SegNet、U-Net 与 LinkNet。
引用
@article{arxiv.2003.13648,
title = {Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset},
author = {Sheng Sun and Armando Marino and Wenze Shui and Zhongwen Hu},
journal= {arXiv preprint arXiv:2003.13648},
year = {2024}
}
备注
We are sorry for that there are some minor errors in the experimental results. We need to make some improvements to the results and request to withdraw the submission