语义分割论文阅读笔记2

A Lightweight Complex-Valued DeepLabv3+ for Semantic Segmentation of PolSAR Image，2022，SCI Q1

论文地址

摘要

语义图像分割是一种端到端的分割方法，可以对目标区域进行逐像素分类。作为光学图像中经典的语义分割网络，DeepLabv3+能够实现良好的分割性能。然而，当该网络直接用于极化合成孔径雷达（PolSAR）图像的语义分割时，很难获得理想的分割结果。原因是由于 PolSAR 数据集较小，很容易产生过拟合。在本文中，提出了一种轻量级复值 DeepLabv3+ (L-CV-DeepLabv3+)，用于 PolSAR 数据的语义分割。与原来的 DeepLabv3+ 相比，它有两个显着的优势。首先，所提出的网络具有简化的结构和参数，可以适用于小PolSAR数据，因此可以有效避免过拟合。其次，所提出的复值（CV）网络可以充分利用PolSAR数据的幅度和相位信息，从而带来比实值（RV）网络更好的分割性能，并且相关的CV操作在数学意义。两个 Flevoland 数据集和一个 San Francisco 数据集的实验结果表明，与原始 DeepLabv3+ 和其他一些 RV 语义分割网络相比，该网络可以获得更好的总体平均值、并集平均交集和平均像素精度。

引入

合成孔径雷达（SAR）具有全天时、全天候的成像能力，在军事和民用领域都具有非常重要的作用。作为极化合成孔径雷达（PolSAR）领域的研究热点之一，其在土地覆盖分类具有重要意义。早期的分类方法主要分别基于统计分布和物理散射机制。