PSRN: Polarimetric Space Reconstruction Network for PolSAR Image Semantic Segmentation
Notice bibliographique
Résumé
To accurately extract various ground objects from PolSAR images is a challenging research topic. The deep convolutional neural networks are widely used in SAR segmentation due to their remarkable performance in optical remote sensing images. However, they are still limited by the geometric deformation of the objects, the strong scattering interference among adjacent objects and the difficulty in distinguishing similar things. A large part of the reason lies in the insufficient utilization and the damage of feature mining for PolSAR data. In this paper, focusing on the scattering matrix and the polarimetric coherency matrix, a polarimetric space reconstruction network is proposed. First, to maintain the relatively initial spatial constraints and the complete polarimetric information, the inputs are arranged by a spatial amplification coding method for the polarimetric coherency matrix and scattering matrix. Second, a statistics enhancement module based on scattering characteristics is proposed to mine the differential expression among multiple scattering and polarimetric components, which supplements the local feature representation of convolutional operators. Third, the designed dual self-attention mechanism can capture the amplitude and phase relations of matrix element context adaptively. The proposed method keeps the spatiality of each scattering vector and fully unearths the complementary information involved in the full polarimetric data. Moreover, it accomplishes the accurate land cover classification for PolSAR images, especially the traditional confusing categories, such as water and roads. The experimental results on the E-SAR, AIRSAR, Gaofen-3 and RADARSAT-2 datasets show that the proposed method is effective and promising for PolSAR image segmentation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».