.png){kind=icon}
返回
Dual-Frequency Selected Knowledge Distillation With Statistical-Based Sample Rectification for PolSAR Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2025.3602141.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
双频极化合成孔径雷达（PolSAR）图像的协同分类是一项有意义但也具有挑战性的研究。区域一致性对分类信息学习的影响以及双频数据的合理利用是双频协同分类的两个主要难点。为解决这些问题，本文提出了一种基于统计的样本校正（SKDNet-SSR）的精选知识蒸馏（KD）网络。首先，除了将CNN和ViT作为局部和全局特征提取器外，还设计了一个基于统计的动态样本校正（SDSR）模块，以避免区域一致性差对空间信息学习过程的影响。具体而言，基于PolSAR协方差矩阵符合复Wishart分布的事实，SDSR首先动态评估样本纯净度，然后执行像素选择和像素生成以去除噪声像素，从而避免信息像素与噪声像素之间的特征交互，并改进分类特征提取过程。其次，构建了一个双频门控选择蒸馏（DGSD）模块，以强调不同频段的优点，并在双频数据上进行互补学习。它使用每个样本的主导单频分支作为教师模型来训练双频学生模型，使学生模型学习最优结果，并实现不同地物对象上双频数据的互补利用。在四种实测双频PolSAR数据上的综合实验表明，所提出的SKDNet-SSR优于其他相关方法。
Keyword:
Dual-frequency polarimetric synthetic aperture radar (PolSAR) image classification
knowledge distillation (KD)
sample rectification
vision Transformer (ViT)
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
A Graph-Based Semisupervised Deep Learning Model for PolSAR Image Classification基于图的半监督深度学习PolSAR图像分类模型
.png){kind=icon}
PREAI
分享收藏
分享收藏Variational Textured Dirichlet Process Mixture Model With Pairwise Constraint for Unsupervised Classification of Polarimetric SAR Images带成对约束的变分纹理Dirichlet过程混合模型，用于极化SAR图像的无监督分类
PREAI
分享收藏
查看更多内容