10.19665/j.issn1001-2400.2023.03.015
采用深度学习的极化SAR地物分类方法综述
极化合成孔径雷达(PolSAR)能够实现全天时、全天候的成像,因此该数据成为遥感数据的主要来源之一.其中地物分类是极化 SAR数据解译的重要研究内容,已成为该研究领域的热点之一,目前在军事和民事领域都有着广泛的应用.近年来深度学习已在多个研究领域取得了显著成果,并且在极化 SAR图像解译领域也获得了一定的成效.与传统的图像分类方法相比,深度学习方法具有自动提取特征、泛化性能强及获取较高准确率等优势.围绕极化 SAR数据解译中的地物分类问题,对现有采用深度学习的极化 SAR图像地物分类方法进行综述.根据深度学习中不同的网络模型,主要从三方面对极化 SAR 地物分类研究进行了详细叙述,即基于深度信念网络,稀疏自编码网络以及卷积神经网络的图像分类模型.最后,通过与经典的极化 SAR分类方法进行性能评估和比较,总结采用深度学习的极化 SAR地物分类方法的优势与不足,同时对该领域未来的发展趋势进行分析和探讨.
极化合成孔径雷达、图像分类、深度学习、研究综述
50
N7(自然科学文献检索工具)
国家自然科学基金;国家自然科学基金;陕西省自然科学基础研究计划项目;陕西省重点研发计划
2023-07-10（万方平台首次上网日期，不代表论文的发表时间）
共20页
151-170
