引用本文:李索,张支勉,王海鹏.基于深度学习算法的极化合成孔径雷达通用分类器设计[J].上海航天,2018,(3):1-7.
【打印本页】   【下载PDF全文】     
本文已被:浏览 45次   下载 21
分享到: 微信 更多
基于深度学习算法的极化合成孔径雷达通用分类器设计
李索,张支勉,王海鹏
(复旦大学 电磁波信息科学教育部重点实验室,上海 200433)
摘要:
地物分类是PolSAR(极化合成孔径雷达)的重要应用方向。传统算法需要基于特定数据人工选取特征和设计分类器,而深度学习算法能够自行从海量数据中提取层次化特征。在深度学习算法总结的基础上,结合深度学习和PolSAR大数据,提出了一种高效率、高精度的通用分类器设计方法。使用人工标记的数据训练CNN(深度卷积网络),自动化地进行特征学习和提取,并实现高精度的地物自动分类。在具有不同分辨率的机载和星载PolSAR数据上对通用分类器进行测试,都能快速、准确地分类。研究成果可快速将PolSAR数据转译为更直观的地物分类结果,对海量数据,特别是GF-3卫星PolSAR图像的利用有一定的辅助价值。
(Electromagnetic Wave and Information Science Key Laboratory, Fudan University, Shanghai 200433, China)

分享按钮