polarimetric SAR
PulseAugur coverage of polarimetric SAR — every cluster mentioning polarimetric SAR across labs, papers, and developer communities, ranked by signal.
-
新的DA-Mamba框架增强了PolSAR图像分类
研究人员开发了DA-Mamba，一种用于极化合成孔径雷达（PolSAR）图像分类的新型框架。该新架构通过引入方向自适应扫描来解决现有基于Mamba的方法的局限性，以更好地捕捉对PolSAR分析至关重要的各向异性散射和弱边界。DA-Mamba还采用非下采样轮廓波变换（NSCT）在空间和频率域处理数据，将全局分量与定向高频特征相结合，以增强可区分性。在三个真实PolSAR数据集上的实验表明，DA-Mamba的性能优于当前最先进的方法。
-
新型WGDNet利用Wishart统计和几何感知增强PolSAR图像分类
研究人员开发了WGDNet，一种用于极化合成孔径雷达（PolSAR）图像分类的新型深度学习网络。该网络通过集成可学习的Wishart卷积和定向卷积核来提取统计边缘特征，解决了传统方法的局限性。它还包含一个方向先验聚合模块，用于自适应地优化方向输出，以及一个几何感知卷积模块，该模块动态调整采样网格以更好地模拟地形并保留精细细节。在真实PolSAR数据集上的评估表明，与现有的最先进方法相比，WGDNet实现了更高的分类准确性和边界保真度。
-
新型 CV-SSMNet 模型通过物理感知特征增强 PolSAR 图像分类
研究人员开发了 CV-SSMNet，这是一种新颖的、物理感知的复值状态空间网络，用于极化合成孔径雷达 (PolSAR) 图像分类。该模型通过将物理散射机制直接纳入深度特征演化，而不是将其作为浅层辅助输入，来解决现有网络中的局限性。CV-SSMNet 利用复值状态空间模型捕获长距离空间依赖性，同时保留幅度和相位信息，并使用散射先验作为调制信号来自适应地重新校准表示。在 L 波段和 P 波段数据集上的实验表明，CV-SSMNet 实现了具…
-
新的深度学习网络提高了极化SAR图像分类精度
研究人员开发了两种新的深度学习网络用于分类极化合成孔径雷达（PolSAR）图像。HybridCVNet结合了复值卷积神经网络和视觉Transformer，在Flevoland数据集上达到了97.39%的准确率。SDF2Net是一种三分支复值CNN，增强了从浅层到深层的特征融合，在AIRSAR数据集上提高了高达1.3%的准确率，并在采样有限的情况下在Flevoland数据集上达到了96.01%的准确率。
-
新的 DDF2Pol 网络在 PolSAR 图像分类中实现高精度
研究人员开发了 DDF2Pol，这是一种用于分类 PolSAR 图像的新型双域卷积神经网络。该网络利用并行实值和复值流提取互补信息，并通过深度卷积和坐标注意力机制进行增强。实验表明，DDF2Pol 在基准数据集上实现了高精度，在 Flevoland 上达到 98.16%，在 San Francisco 上达到 96.12%，参数量仅为 91,371。