基于双通道特征融合编解码网络的极化SAR图像分类
图像分类是极化合成孔径雷达(PolSAR)图像解译的关键.传统卷积神经网络(CNN)逐像素的分类,造成卷积的重复计算.PolSAR图像存在丰富的信息,包括极化相干信息与极化分解信息,因此如何融合信息实现高效分类至关重要.基于极化散射特征分析,以U_net网络模型为基础,提出了双通道特征融合编解码网络,该网络使用注意力机制特征融合模块将极化相干信息和极化分解特征整合到语义分割框架中,辅助深度CNN分类器训练,实现高精度像素级的标记,同时加入空间金字塔结构有效的提取多尺度特征.该网络结构避免了逐像素切片重复计算,有效提升计算效率.利用AIRSAR获取的旧金山地区PolSAR数据和海南博鳌地区机载PolSAR数据进行试验研究,试验结果两个地区总体分类精度(OA)分别达到97.11%与99.97%,验证了提出的分类方法的有效性与较好的应用价值.
PolSAR、特征融合、地物分类、编解码、深度学习
42
TP753(遥感技术)
国家自然科学基金;北京市自然科学基金
2023-06-15(万方平台首次上网日期,不代表论文的发表时间)
共10页
187-196