[论文解读] PolSAR Image Classification Based on Dilated Convolution and Pixel-Refining Parallel Mapping network in the Complex Domain

Dongling Xiao, Chang Liu+3 more|arXiv (Cornell University)|Sep 24, 2019

Synthetic Aperture Radar (SAR) Applications and Techniques参考文献 46被引用 8

一句话总结

该论文提出CRPM-Net，一种用于极化合成孔径雷达（PolSAR）图像分类的新型复数域深度学习框架，通过结合空洞卷积与像素精炼并行映射网络，在有限标注数据下实现了高精度与高效率。通过复数卷积利用相位信息，并采用两步训练策略，CRPM-Net在AIRSAR和E-SAR数据集上的分类准确率与推理速度均优于当前最先进方法。

ABSTRACT

Efficient and accurate polarimetric synthetic aperture radar (PolSAR) image classification with a limited number of prior labels is always full of challenges. For general supervised deep learning classification algorithms, the pixel-by-pixel algorithm achieves precise yet inefficient classification with a small number of labeled pixels, whereas the pixel mapping algorithm achieves efficient yet edge-rough classification with more prior labels required. To take efficiency, accuracy and prior labels into account, we propose a novel pixel-refining parallel mapping network in the complex domain named CRPM-Net and the corresponding training algorithm for PolSAR image classification. CRPM-Net consists of two parallel sub-networks: a) A transfer dilated convolution mapping network in the complex domain (C-Dilated CNN) activated by a complex cross-convolution neural network (Cs-CNN), which is aiming at precise localization, high efficiency and the full use of phase information; b) A complex domain encoder-decoder network connected parallelly with C-Dilated CNN, which is to extract more contextual semantic features. Finally, we design a two-step algorithm to train the Cs-CNN and CRPM-Net with a small number of labeled pixels for higher accuracy by refining misclassified labeled pixels. We verify the proposed method on AIRSAR and E-SAR datasets. The experimental results demonstrate that CRPM-Net achieves the best classification results and substantially outperforms some latest state-of-the-art approaches in both efficiency and accuracy for PolSAR image classification. The source code and trained models for CRPM-Net is available at: https://github.com/PROoshio/CRPM-Net.

研究动机与目标

• 为解决在有限先验标注数据下实现高精度PolSAR图像分类的挑战。
• 克服现有深度学习方法在分类效率与边缘精度之间的权衡。
• 通过复数域神经网络充分挖掘PolSAR数据中的相位信息。
• 设计一种并行架构，以同时提升定位精度与上下文特征提取能力。
• 开发一种两步训练算法，通过精炼误分类的标注像素来提升模型泛化能力。

提出的方法

• CRPM-Net采用并行双流架构：一条分支使用复数域空洞卷积神经网络（C-Dilated CNN）与复数交叉卷积（Cs-CNN），实现精确的定位与相位感知特征学习。
• 第二条分支为复数域编码-解码网络，用于捕获丰富的上下文语义特征，提升场景理解能力。
• 两条分支通过两步算法联合训练：首先在初始标注像素上训练Cs-CNN；其次迭代精炼误分类像素以提升监督信号质量。
• 全程采用复数运算以保留相位信息，这对PolSAR数据表示至关重要。
• 采用结合分类准确率与空间一致性的损失函数进行网络优化，以增强边缘保持能力。
• 在AIRSAR与E-SAR数据集上，采用总体精度与Kappa系数等标准指标对框架进行评估。

实验结果

研究问题

• RQ1 复数域深度学习框架是否能在保持高推理效率的同时提升PolSAR图像分类精度？
• RQ2 空洞卷积与并行特征学习在多大程度上可提升PolSAR数据中的定位精度？
• RQ3 通过复数域网络保留相位信息，在标注数据有限的情况下，对分类性能的提升程度如何？
• RQ4 一种通过精炼误分类像素的两步训练策略，是否能在低监督设置下实现更好的泛化性能？
• RQ5 在基准PolSAR数据集上，CRPM-Net在精度、速度与鲁棒性方面与当前最先进方法相比如何？

主要发现

• CRPM-Net在AIRSAR数据集上达到最高总体精度，显著优于现有最先进方法。
• 在E-SAR数据集上，CRPM-Net展现出更优的分类性能，Kappa系数相比基线模型有显著提升。
• 得益于高效的空洞卷积设计，该模型保持了高推理速度，适用于实时应用。
• 两步训练算法有效减少了误分类错误，尤其在复杂或模糊区域表现突出。
• 通过复数运算整合相位信息，生成了更具鲁棒性的特征表示，尤其在区分相似地物类型方面优势明显。
• CRPM-Net的源代码与训练模型已公开，支持可复现性与进一步研究。