SDF2Net: Shallow to Deep Feature Fusion Network for PolSAR Image Classification

要約

偏光合成開口レーダー (PolSAR) 画像には、広範な土地被覆の解釈を容易にし、多様な出力結果を生成できる貴重な情報が含まれています。
PolSAR データから意味のある特徴を抽出するには、光学画像で遭遇するものとは異なる課題が生じます。
ディープ ラーニング (DL) 手法は、PolSAR 特徴抽出におけるこれらの課題を克服するための効果的なソリューションを提供します。
畳み込みニューラル ネットワーク (CNN) は、カーネル機能を活用してローカル情報と PolSAR データの複素数値の性質を考慮することで、PolSAR 画像の特徴を捕捉する上で重要な役割を果たします。
この研究では、Shallow to Deep Feature Fusion Network (SDF2Net) と呼ばれる、複素数値 CNN の新しい 3 ブランチ融合が、PolSAR 画像分類のために提案されています。
提案された方法のパフォーマンスを検証するために、分類結果は、フレヴォラント州とサンフランシスコの航空機合成開口レーダー (AIRSAR) データセットおよび ESAR オーバープファッフェンホーフェン データセットを使用して、複数の最先端のアプローチと比較されます。
結果は、提案されたアプローチにより全体の精度が向上し、AIRSAR データセットでは 1.3% および 0.8% の向上、ESAR データセットでは 0.5% の向上が示されたことを示しています。
フレヴォラント州のデータに対して行われた分析では、SDF2Net モデルの有効性が強調され、サンプリング率がわずか 1% であっても全体的な精度が 96.01% であることが明らかになりました。

要約(オリジナル)

Polarimetric synthetic aperture radar (PolSAR) images encompass valuable information that can facilitate extensive land cover interpretation and generate diverse output products. Extracting meaningful features from PolSAR data poses challenges distinct from those encountered in optical imagery. Deep learning (DL) methods offer effective solutions for overcoming these challenges in PolSAR feature extraction. Convolutional neural networks (CNNs) play a crucial role in capturing PolSAR image characteristics by leveraging kernel capabilities to consider local information and the complex-valued nature of PolSAR data. In this study, a novel three-branch fusion of complex-valued CNN, named the Shallow to Deep Feature Fusion Network (SDF2Net), is proposed for PolSAR image classification. To validate the performance of the proposed method, classification results are compared against multiple state-of-the-art approaches using the airborne synthetic aperture radar (AIRSAR) datasets of Flevoland and San Francisco, as well as the ESAR Oberpfaffenhofen dataset. The results indicate that the proposed approach demonstrates improvements in overallaccuracy, with a 1.3% and 0.8% enhancement for the AIRSAR datasets and a 0.5% improvement for the ESAR dataset. Analyses conducted on the Flevoland data underscore the effectiveness of the SDF2Net model, revealing a promising overall accuracy of 96.01% even with only a 1% sampling ratio.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google