웨이브렛 변환을 이용한 깊은 컨볼루션 신경망 기반 PolSAR 이미지 분류

얕은 컨볼루션 신경망(CNN)은 폴라리메트릭 합성 개구 레이더(PolSAR) 이미지를 분류하는 데 성공적으로 사용되었습니다. 그러나 기존의 깊은 CNN 기반 기술의 한 가지 단점은 PolSAR 이미지 분류에 사용되는 얕은 CNN 모델에 비해 상당한 양의 훈련 데이터가 필요하기 때문에 입력 PolSAR 훈련 데이터가 종종 불충분하다는 것입니다. 본 논문에서는 PolSAR 이미지의 분류 정확도를 개선하기 위해 깊은 CNN에서 특징 추출을 효과적으로 하기 위해 Haar 웨이브렛 변환을 사용하는 것을 제안합니다. 결과에 따르면, 제안된 깊은 CNN 모델은 샌프란시스코 지역에서 93.3%의 정확도로 더 나은 평균 정확도를 얻었고, AlexNet(87.8%) 및 2D CNN 네트워크(91%)의 두 개의 얕은 CNN 모델에 비해 노이즈가 적은, 더 균질한 분류 맵을 생성했습니다. 제안된 알고리즘은 효율적이며 PolSAR 이미지를 사용한 지역 습지 지도화 및 모니터링 활동을 지원하기 위해 넓은 지역에 적용될 수 있습니다. 코드는 (https://github.com/aj1365/DeepCNNPolsar)에서 이용 가능합니다.