雷达学报

作者：肖东凌, 刘畅

单位：中国科学院电子学研究所   北京   100190；中国科学院大学   北京   100049；

关键词：极化合成孔径雷达(PolSAR), 地物分类, 膨胀卷积, 编组-交叉卷积

基金：国家自然科学基金(61471340)，国家重点研发计划(2017YFB0503001)

在极化合成孔径雷达(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。针对以上问题，该文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。为充分使用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，并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；为加快分类速度，该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，并进一步提升了分类精度。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4.22 s和4.02 s。

来源：2019年第4期

《雷达学报》期刊编辑部

查看雷达学报杂志2019年第4期