首页/论文/1608.00501

arXiv 1608.005012016-08-01cs.CV

不同地物的RADARSAT-2极化数据监督分类

Supervised Classification of RADARSAT-2 Polarimetric Data for Different Land Features

Abhishek Maity

备注：: 3 pages, 3 figures, 2 tables

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在温哥华地区的雷达卫星2号的混淆矩阵中，属于用户定义区域的像素百分比被分配到聚类，进行了分类分析。在这项研究中，监督Wishart和支持向量机（SVM）分类器在RADARSAT-2（RS 2）精细四极模式单视复杂（SLC）产品数据的计算和比较。与传统的单通道或双通道极化相比，RADARSAT-2是全极化的，使其能够为分类操作提供更好的地物对比度。

英文摘要：

The pixel percentage belonging to the user defined area that are assigned to cluster in a confusion matrix for RADARSAT-2 over Vancouver area has been analysed for classification. In this study, supervised Wishart and Support Vector Machine (SVM) classifiers over RADARSAT-2 (RS2) fine quadpol mode Single Look Complex (SLC) product data is computed and compared. In comparison with conventional single channel or dual channel polarization, RADARSAT-2 is fully polarimetric, making it to offer better land feature contrast for classification operation.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

极化卷积网络用于PolSAR图像分类

Polarimetric Convolutional Network for PolSAR Image Classification

Xidian University（西安电子科技大学）

极化合成孔径雷达（PolSAR）数据的极化散射矩阵分析方法一直是极化SAR图像分类研究的重点。通常，由极化散射矩阵得到的极化相干矩阵和协方差矩阵只能显示有限数量的极化信息。为了解决这个问题，我们提出了一种稀疏散射编码的方法来处理极化散射矩阵，并获得一个封闭的完整的功能。这种编码方式也能完整地保持散射矩阵的极化信息。同时，针对这种编码方式，我们设计了相应的基于卷积网络的分类算法来结合这一特征。基于稀疏散射编码和卷积神经网络，提出了极化卷积网络，充分利用极化信息对极化SAR图像进行分类。通过对AIRSAR和RADARSAT-2采集的PolSAR图像进行实验，验证了该方法的有效性。实验结果表明，该方法取得了较好的分类效果，在极化SAR数据分类中具有巨大的应用潜力。稀疏散射编码的源代码可在https://github.com/liuxuvip/Polarimetric-Scattering-Coding上获得。

2019-04-03cs.CV

RADARSAT星座任务紧凑极化SAR数据用于深度学习火烧迹地制图

RADARSAT Constellation Mission Compact Polarisation SAR Data for Burned Area Mapping with Deep Learning

KTH Royal Institute of Technology（瑞典皇家理工学院）

本研究利用RADARSAT星座任务紧凑极化SAR数据，结合深度学习模型（如UNETR），通过融合m-chi分解和CpRVI特征，显著提升了火烧迹地制图的精度，F1分数达0.718。

2024-12-16cs.CV

使用紧凑型卷积神经网络的极化SAR图像分类

Classification of Polarimetric SAR Images Using Compact Convolutional Neural Networks

Tampere University（坦佩雷大学）；Qatar University（卡塔尔大学）；Izmir University of Economics（伊兹密尔经济大学）

针对传统ML特征工程困难与深度CNN计算复杂、标注需求大的问题，提出基于滑动窗口的紧凑型自适应CNN框架，在四个PolSAR基准上以小窗口实现92.33%–99.39%的总体精度。

2020-11-10cs.CVcs.LG

基于深度卷积神经网络并结合双极化特征到训练数据集的沿海地区弱监督土地分类

Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset

本文研究基于星载PolSAR数据的沿海地区弱监督土地分类，提出结合双极化特征构建训练数据集的新方法，并通过SegNet、U-Net和LinkNet三种DCNN模型验证了迁移学习策略的有效性。

2024-11-19cs.CVeess.IV

MIMA：基于MAPPER的光学图像和偏振SAR数据半监督融合流形对齐

MIMA: MAPPER-Induced Manifold Alignment for Semi-Supervised Fusion of Optical Image and Polarimetric SAR Data

Remote Sensing Technology Institute (IMF), German Aerospace Center (DLR)（德国航空航天中心（DLR）遥感技术研究所（IMF））；Signal Processing in Earth Observation (SiPEO), Technical University of Munich (TUM)（慕尼黑工业大学（TUM）地球观测信号处理实验室（SiPEO））

多模态数据融合最近已被证明是有希望的遥感分类任务。光学数据和雷达数据作为两种重要的但本质上不同的数据源，正吸引着越来越多的关注，潜在的数据融合。众所周知，基于机器学习的方法通常会产生出色的性能。然而，该方法依赖于一个大的训练集，这是非常昂贵的实现遥感。半监督流形对齐（SSMA）是一种多模态数据融合算法，旨在通过无监督技术将标记数据与未标记数据联系起来，从而放大现有训练集的影响。在本文中，我们探讨了潜在的SSMA融合光学数据和极化SAR数据，这是多传感器数据源。此外，我们提出了一个MAPPER诱导流形对齐（MIMA）的半监督融合多传感器数据源。我们提出的方法结合SSMA与MAPPER，这是从新兴的拓扑数据分析（TDA）领域。据我们所知，这是SSMA首次应用于光学数据和SAR数据的融合，也是TDA首次应用于遥感。传统的SSMA推导出一个拓扑结构，使用k-最近邻（kNN），而MIMA采用MAPPER，它考虑了领域知识，并通过数据驱动的方式，通过谱聚类推导出一个新的拓扑结构。对土地覆盖、土地利用分类和局地气候带分类的数据融合实验结果表明，MIMA具有较好的融合性能。

2019-06-13cs.CV

用于极化合成孔径雷达图像分类的具有散射先验特征调制的物理感知复值状态空间模型

Physics-Aware Complex-Valued State Space Model with Scattering-Prior Feature Modulation for PolSAR Image Classification

The College of Information Science and Technology, Beijing University of Chemical Technology（北京化工大学信息科学与技术学院）；The School of Information Science and Engineering, Yunnan University（云南大学信息科学与工程学院）；The Department of Signal Theory and Communications, Polytechnic University of Catalonia（加泰罗尼亚理工大学信号理论与通信系）；The School of Information and Cyberspace Security, Ningxia University（宁夏大学信息与网络空间安全学院）

针对PolSAR图像分类中现有复值网络的不足，提出CV-SSMNet，通过构建复值状态空间模型、编码散射先验等方法，实现从局部散射结构到全局空间上下文的物理引导表示学习，实验验证了其有效性。

2026-07-23cs.AIcs.CV

更多相关论文收起更多论文

基于异构网络的对比学习方法用于PolSAR土地覆盖分类

Heterogeneous Network Based Contrastive Learning Method for PolSAR Land Cover Classification

School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）

本文提出HCLNet，通过异构网络架构、特征滤波器和超像素实例判别，利用未标注PolSAR数据的多特征学习高层表示，在少样本土地覆盖分类中优于现有方法。

2024-05-04cs.CV

基于CNN的高光谱/SAR图像分类中全局空间特征的融合

Integrating global spatial features in CNN based Hyperspectral/SAR imagery classification

Beijing University of Chemical Technology（北京化工大学）；Sugon Information Industry Co., Ltd（曙光信息产业有限公司）

土地覆被分类在遥感中发挥着重要的作用，因为它可以智能地识别一个巨大的遥感图像中的东西，以减少人类的工作。然而，许多分类方法都是基于遥感图像的像元特征或有限的空间特征设计的，这限制了其分类精度和通用性。提出了一种新的遥感图像信息提取方法，地理经纬度信息。此外，结合全局信息设计了双分支卷积神经网络（CNN）分类方法，挖掘图像的像素特征。然后将两个神经网络的特征融合到另一个完全神经网络中，实现遥感图像的分类。最后，两个遥感图像，包括高光谱成像（HSI）和极化合成孔径雷达（PolSAR）图像来验证我们的方法的有效性。与传统的单通道卷积神经网络相比，该方法具有更好的识别效果。

2020-06-15cs.CVcs.LGeess.IV

SDF2Net: 用于PolSAR图像分类的浅层到深层特征融合网络

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

提出一种新颖的三分支复值CNN融合网络SDF2Net，通过浅层到深层特征融合提升PolSAR图像分类精度，在三个数据集上取得优于现有方法的性能。

2026-05-29cs.CVeess.IV