基于精调的膨胀编组-交叉CNN的PolSAR地物分类

极化合成孔径雷达（PolSAR）凭借全天时、全天候和高分辨率成像的能力以及丰富的地物目标散射信息和通道相位信息，被广泛运用于地物分类、目标检测和相干变化检测等领域。

在PolSAR地物分类研究中，基于实数CNN的分类算法无法充分利用PolSAR图像丰富的通道相位信息，并且在逐像素预测中存在大量冗余计算，导致分类效率较低。中科院电子所刘畅研究员等针对以上问题，采用一种复数域下的像素映射深度模型，实现低采样率下精确且高效的PolSAR地物分类。

该工作已发表在《雷达学报》2019年第4期“基于精调的膨胀编组-交叉CNN的PolSAR地物分类”（肖东凌，刘 畅）。

PolSAR通道之间的相位信息反映散射地物的回波时延，携带地物的空间结构信息，对提升地物分类精度起着重要的作用。为了充分使用PolSAR数据的通道相位信息，该文基于一种编组-交叉卷积网络（GC-CNN）将分类模型推广到复数域（图1）来模拟复数乘法运算并支持复数信号的输入和传递。该结构实质上是两组并行的交叉交互的实数CNN网络，利用网络提取的复数特征及其对应的相位和幅度来实现更精确的分类。

图1 编组-交叉卷积神经网络结构示意图

另一方面，为加快分类速度，本文还采用了一种精调的膨胀编组-交叉卷积网络（FDGC-CNN）来实现像素到像素的直接映射。精调FDGC-CNN（图2）能学习更多的上下文语义特征，从而修正一些样本数较少或具有较强结构特征地物的错分像素，并能根据像素的空间关联信息剔除规则地物区域中的离散点和空洞点，最终在GC-CNN和DGC-CNN的总体分类精度上实现了进一步的提升。

在基于AIRSAR平台的16类地物数据和 E-SAR 平台的4类地物数据的实验中，该文采用的FDGC-CNN模型相较于SVM分类器和实数CNN模型，能够更准确和更高效地实现多类别地物分类，全局分类精度分别为96.94%和90.07%、总耗时分别为4.22s和4.02s。通过两组实验验证了在低采样率下，FDGC-CNN模型能够取得分类精度和效率上的大幅度提升（图3），兼顾分类精度和效率，具有很强的实用性和部署性。

了解详细内容请点击下面阅读原文。