研究目的
为实现对斑点PolSAR图像的平滑细粒度分类,通过语义分割解决因斑点噪声和复杂散射现象导致的SAR图像中噪声化、碎片化分类结果问题。
研究成果
所提出的方法在小训练集条件下实现了PolSAR图像的平滑细粒度分类,验证了迁移学习的有效性。以ResNet-50为骨干网络的FCN模型性能略优于U-net。两种模型均能稳健处理大尺寸图像,为未来PolSAR应用提供了基线方案,建议通过引入极化参数或模型融合进一步提升性能。
研究不足
该数据集规模较?。ń霭?0个原始图像块),可能限制泛化能力;依赖人工标注耗时较长;由于训练样本量小,模型可能出现过拟合;未进行绝对辐射校准,可能影响部分分析结果;本研究聚焦特定语义类别,可能无法涵盖所有极化SAR应用场景。
1:实验设计与方法选择:
本研究采用深度迁移学习,使用两种神经网络架构:以多尺度ResNet-50为骨干网络的全卷积网络(FCN)和U-net。这些架构被选中用于处理小规模训练集,并实现对极化合成孔径雷达(PolSAR)图像的语义分割。
2:样本选择与数据来源:
开发了一个包含50个高分辨率PolSAR图像块(256x256像素)的新数据集,使用LabelMe工具标注语义类别(道路、水体、建筑区、植被、其他)。通过数据增强(旋转和翻转)将其扩展至300个样本。预训练使用一个PolSAR场景分类数据集(1000个样本)和一个光学遥感语义数据集(15,000个样本)。
3:实验设备与材料清单:
用于训练的GPU(NVIDIA GTX 1080 Ti)、用于标注的软件工具(如LabelMe),以及来自指定来源的数据集。
4:实验流程与操作步骤:
在辅助数据集上预训练模型,在新PolSAR数据集上使用迁移学习策略(例如冻结U-net中的层)进行微调,使用分类交叉熵损失和Adam优化器进行训练,并在保留集上进行验证。
5:数据分析方法:
使用像素精度(PA)、平均精度(MA)和平均交并比(MIOU)指标评估性能;对分割结果进行视觉评估。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容