Core Concepts
Eine neuartige Methode zur kontrastiven Repräsentationslernung für PolSAR-Daten, die eine heterogene Netzwerkarchitektur und superpixelbasierte Instanzdiskriminierung nutzt, um die Leistung bei der Landbedeckungsklassifizierung zu verbessern.
Abstract
Die Studie präsentiert eine neue Methode namens Heterogeneous Network based Contrastive Learning (HCLNet) für die Klassifizierung von PolSAR-Landbedeckung. HCLNet besteht aus drei Hauptkomponenten:
Feature Filter: Dieser findet eine geeignete Kombination von Zielzerlegungsmerkmalen (physikalische Merkmale), um Redundanz zu reduzieren und Komplementarität zu erhöhen.
Superpixel-basierte Instanzdiskriminierung: Diese Methode verbessert die Auswahl von positiven und negativen Proben für das kontrastive Lernen, indem sie die hohe Ähnlichkeit zwischen Pixeln in PolSAR-Daten berücksichtigt.
Heterogenes Netzwerk: Dieses Netzwerk verwendet unterschiedliche Architekturen für Onlinenetzwerk (2D-CNN) und Zielnetzwerk (1D-CNN), um verschiedene PolSAR-Merkmale effektiv zu nutzen und die Streuungsunterschiede zwischen Instanzen zu lernen.
Die Experimente auf drei PolSAR-Benchmarkdatensätzen zeigen, dass HCLNet die Leistung bei der Landbedeckungsklassifizierung sowohl im Wenig-Schritt-Lernmodus als auch im Vollproben-Szenario im Vergleich zu anderen State-of-the-Art-Methoden deutlich verbessert. Die Ablationsstudien bestätigen auch die Wichtigkeit jeder Komponente von HCLNet.
Stats
Die Genauigkeit der Gesamtklassifizierung (OA) von HCLNet beträgt 94,15%, die durchschnittliche Genauigkeit (AA) 93,74% und der Kappa-Koeffizient 91,84% auf dem RADARSAT-2 Flevoland-Datensatz.
Die OA von HCLNet beträgt 98,80%, die AA 98,82% und der Kappa-Koeffizient 98,73% auf dem AIRSAR Flevoland-Datensatz.
Die OA von HCLNet beträgt 94,80%, die AA 93,29% und der Kappa-Koeffizient 92,99% auf dem ESAR Oberpfaffenhofen-Datensatz.
Quotes
"HCLNet outperforms all other methods comprehensively."
"The classification maps of few-shot and full-sample classification results for different methods show that HCLNet achieves the best result of the different landforms."