一种基于深度学习的SAR城市建筑区域叠掩精确检测方法

摘要：

建筑物叠掩检测在城市三维合成孔径雷达(3D SAR)成像流程中是至关重要的步骤,其不仅影响成像效率,还直接影响最终成像的质量.目前,用于建筑物叠掩检测的算法往往难以提取远距离全局空间特征,也未能充分挖掘多通道SAR数据中关于叠掩的丰富特征信息,导致现有叠掩检测算法的精确度无法满足城市3D SAR成像的要求.为此,该文结合Vision Transformer(ViT)模型和卷积神经网络(CNN)的优点,提出了一种基于深度学习的SAR城市建筑区域叠掩精确检测方法.ViT模型能够通过自注意力机制有效提取全局特征和远距离特征,同时CNN有着很强的局部特征提取能力.此外,该文所提方法还基于专家知识增加了用于挖掘通道间叠掩特征和干涉相位叠掩特征的模块,提高算法的准确率与鲁棒性,同时也能够有效地减轻模型在小样本数据集上的训练压力.最后在该文构建的机载阵列SAR数据集上测试,实验结果表明,该文所提算法检测准确率达到94％以上,显著高于其他叠掩检测算法.

关键词：深度学习、专家知识、3D SAR成像、建筑区域叠掩检测、Vision Transformer模型

所属期刊栏目：12

分类号：TN957.52

资助基金：国家重点研发计划2021YFA0715404

在线出版日期：2023-05-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：441-455