基于深度学习算法的极化合成孔径雷达通用分类器设计

• 作者: 张支勉 李索 王海鹏
• 来源期刊: 上海航天
• 学科: 工学
• 关键词: 合成孔径雷达 极化 深度学习 卷积神经网络 地物分类
• 年，卷（期）: 2018,（3）
• 所属期刊栏目: 空间遥感及应用专栏
• 页码范围: 1-7
• 页数: 7页
• 分类号: TP753
• 字数: 5676字
• 语种: 中文
• DOI: 10.19328/j.cnki.1006-1630.2018.03.001

摘要

地物分类是PolSAR(极化合成孔径雷达)的重要应用方向.传统算法需要基于特定数据人工选取特征和设计分类器,而深度学习算法能够自行从海量数据中提取层次化特征.在深度学习算法总结的基础上,结合深度学习和PolSAR大数据,提出了一种高效率、高精度的通用分类器设计方法.使用人工标记的数据训练CNN(深度卷积网络),自动化地进行特征学习和提取,并实现高精度的地物自动分类.在具有不同分辨率的机载和星载PolSAR数据上对通用分类器进行测试,都能快速、准确地分类.研究成果可快速将PolSAR数据转译为更直观的地物分类结果,对海量数据,特别是GF-3卫星PolSAR图像的利用有一定的辅助价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王海鹏	复旦大学电磁波信息科学教育部重点实验室	24	109	4.0	10.0
2	李索	复旦大学电磁波信息科学教育部重点实验室	3	3	1.0	1.0
3	张支勉	复旦大学电磁波信息科学教育部重点实验室	2	2	1.0	1.0