A classificação de imagens de Radar de Abertura Sintética Polarimétrico (PolSAR) é uma das aplicações mais importantes em sensoriamento remoto. As impressionantes abordagens de geração de superpixels podem melhorar a eficiência da tarefa de classificação subsequente e restringir a influência do ruído de speckle até certo ponto. A maioria das abordagens clássicas de geração de superpixels PolSAR utiliza características extraídas manualmente e considera apenas as imagens pseudocores. Elas não aproveitam ao máximo a informação polarimétrica e não necessariamente levam a superpixels suficientemente bons. Os métodos de aprendizado profundo podem extrair características profundas eficazes, mas são difíceis de combinar com a geração de superpixels para alcançar um verdadeiro treinamento de ponta a ponta. Abordando essas questões, este estudo propõe uma rede de geração de superpixel totalmente convolucional de ponta a ponta para imagens PolSAR. Integra a extração de características de informação de polarização e a geração de superpixels PolSAR em um único passo. Superpixels PolSAR podem ser gerados com base na extração profunda de características de polarização e não necessitam de um processo de agrupamento tradicional. Tanto o desempenho quanto a eficiência das gerações de superpixels PolSAR podem ser efetivamente aprimorados. Os resultados experimentais em diversos conjuntos de dados PolSAR mostram que o método proposto pode alcançar uma segmentação de superpixels impressionante, ajustando eficazmente e eficientemente as verdadeiras bordas de diferentes tipos de objetos no solo. Ele pode alcançar um desempenho de classificação excelente ao conectar uma rede de classificação muito simples, o que ajuda a melhorar a eficiência das tarefas subsequentes de classificação de imagens PolSAR.
Zhang et al. (Qua,) estudaram essa questão.