基于复值卷积神经网络样本精选的极化SAR图像弱监督分类方法
针对物体框标注样本包含大量异质成分的问题,该文提出了一种基于复值卷积神经网络(CV-CNN)样本精选的极化SAR(PolSAR)图像弱监督分类方法.该方法首先采用CV-CNN对物体框标注样本进行迭代精选,并同时训练出可直接用于分类的CV-CNN.然后利用所训练的CV-CNN完成极化SAR图像的分类.基于3幅实测极化SAR图像的实验结果表明,该文方法能够有效剔除异质样本,与采用原始物体框标注样本的传统全监督分类方法相比可以获得明显更优的分类结果,并且该方法采用CV-CNN比采用经典的支持矢量机(SVM)或Wishart分类器性能更优.
极化SAR、弱监督分类、复值卷积神经网络、样本精选
9
TN958
国家自然科学基金;陕西省自然科学基础研究计划
2020-07-15(万方平台首次上网日期,不代表论文的发表时间)
共14页
525-538