Deeplab网络的极化合成孔径雷达图像分类

发布时间：2025-04-11 04:37

　　 针对传统极化合成孔径雷达图像分类中特征提取不完整、特征表征性不够强、分类中干扰杂质较多等问题,该文提出了一种基于Deeplab模型的极化合成孔径雷达图像地物分类方法。实验通过在荷兰地区数据上对田野、植被、建筑区、水域、山体5类进行分类,然后在欧洲其他区域进行了算法评价。与传统的结合条件随机场的FCN-8s特征分类模型相比,该文方法能够提取更高效的底层特征,得到更高的分类精度、Kappa系数和总体精度。该方法不仅能在山体上提高10%左右的分类精度,而且能在这5类以外的类别掺杂情况,保证模型良好的鲁棒性。

【文章页数】：8 页

【部分图文】：

图1 Vgg网络基本单元(单位:像素)

VggNet通过A-E过程得3像素×3像素卷积核和2像素×2像素池化核不断加深网络深度来提高性能。如图1～图3所示,通过13层的3像素×3像素卷积后连接3层全连接构造出Vgg-16模型,两个3像素×3像素卷积层串联起来代替AlexNet中的5像素×5像素卷积层。ResNet提出了....

图2 Vgg网络整体结构(单位:像素)

图1Vgg网络基本单元(单位:像素)图3ResNet基本单元结构(单位:像素)

图3 ResNet 基本单元结构(单位:像素)

图2Vgg网络整体结构(单位:像素)2Deeplab网络结构

图4 普通卷积与空洞卷积结构

空洞卷积实际上是对原图进行采样的过程[9-10],采样频率根据参数空洞大小(rate)来设定。如果rate=1时,原图采样时不丢失任何信息即标准卷积操作;如果rate>1时,在原始数据上每隔(rate-1)个像素采样,就会增大感受野的范围,具体区别如图4所示。定义Z2→R,然后设....

本文编号：4039521