栈式稀疏自编码网络的多时相全极化SAR散射特征降维

作者：李恒辉,郭交,韩文霆,刘艳阳,宁纪锋

摘要：利用极化合成孔径雷达(PolSAR)能够实现地物的识别和分类,而多时相全极化SAR可以获取地物更多的散射特征,提升地物识别精度,但高维散射特征的引入会带来严重的维数灾难问题。为了实现对高维散射特征的有效降维,本文提出一种基于栈式稀疏自编码网络S-SAE(Stacked Sparse AutoEncoder)的多时相PolSAR散射特征降维方法。该方法首先对PolSAR数据进行极化目标分解以获取高维散射特征;然后使用S-SAE对获取的多维特征进行降维处理,其中S-SAE降维方法首先采用无监督训练方式进行逐层贪婪训练;再结合Sigmod分类器,利用监督训练的方式对S-SAE进行参数优化,实现高维特征的有效降维;最后以降维后的特征作为支持向量机(SVM)和卷积神经网络(CNN)分类器的输入,实现地物分类。通过仿真和实测的两组多时相Sentinel-1数据处理结果表明,双隐层的S-SAE降维方法在各分类器上均取得最优的降维效果;对比各降维方法在SVM分类器上的分类精度,S-SAE较于局部线性嵌入(LLE)与主成分分析(PCA)降维方法,总体分类精度分别至少提升了9%和14%;在CNN分类器上,S-SAE较于LLE与PCA降维方法,总体分类精度分别至少提升了7%和9%。

发文机构：西北农林科技大学机械与电子工程学院 陕西省农业信息感知与智能服务重点实验室 西北农林科技大学水土保持研究所 上海卫星工程研究所 西北农林科技大学信息工程学院

关键词：特征降维作物分类极化合成孔径雷达多时相栈式稀疏自编码网络卷积神经网络dimension reductioncrop classificationPolarimetric Synthetic Aperture Radar(PolSAR)multi-temporalStack Sparse AutoEncoder(S-SAE)CNN

分类号： TN9[电子电信—信息与通信工程]