基于双加权注意力机制与密集连接特征融合的PolSAR图像地物分类方法

《Remote Sensing》：A Novel PolSAR Classification Method Based on Dynamic Weight Adjustment of Heterogeneous Feature Fusion Yan Duan, Sonya Coleman, Li Yang, Haijun Wang, Guangwei Wang and Dermot Kerr

　　

研究人员提出了一种结合双加权注意力机制与密集连接特征融合（DWAHFF）的极化合成孔径雷达（PolSAR）图像地物分类方法。针对传统方法在复杂场景中对散射信息利用不充分及相位跳变导致模型不稳定的问题，该方法将复数形式的PolSAR数据转换为幅度与相位特征，采用正弦/余弦映射消除相位不连续性，并通过密集连接块（DB）实现多层次特征复用，引入通道注意力（CA）模块增强有效散射通道权重。实验表明，该方法在多个公开数据集上优于现有主流算法，能够有效提升分类精度并抑制相干斑噪声干扰。

研究背景与意义

极化合成孔径雷达（PolSAR）通过获取目标的全极化散射信息，在地表覆盖分类、环境监测等领域具有重要应用价值。传统分类方法多直接利用协方差矩阵或相干矩阵元素，难以充分挖掘复杂场景中的非线性特征，且复数数据的相位跳变易导致训练不稳定。为此，研究人员提出双加权注意力机制与密集连接特征融合（DWAHFF）框架，旨在通过优化特征提取与融合策略提升分类性能。该研究发表于《Remote Sensing》。

关键技术方法

研究采用三阶段处理流程：首先依据式（4）将复数PolSAR数据解构为幅度（r_ij）与相位（φ_ij），通过正弦/余弦函数将相位映射至连续空间；其次构建密集连接块（DB），实现跨层特征复用与梯度传播优化；最后引入通道注意力（CA）模块，自适应学习不同散射通道的重要性权重。实验采用公开PolSAR数据集（如Oberpfaffenhofen、Flevoland）进行验证，输入数据维度为?^{B×60×H×W×1}（B为批量大小，H/W为特征图尺寸）。

研究结果

1. 1.
   数据预处理与特征表示：通过式（4）将复数值T矩阵元素转换为6个实数特征（3个幅度+3个相位正弦/余弦值），消除相位跳变影响。
2. 2.
   密集连接块设计：如式（5）所示，第l层输出x_l由前层特征拼接后经卷积、批归一化（BN）与ReLU激活得到，当l>1时加入跨层连接，有效缓解梯度消失。
3. 3.
   通道注意力机制：CA模块通过全局平均池化压缩空间维度，经全连接层生成通道权重向量，增强HV、HH、VV等极化通道的特征表达能力。
4. 4.
   分类性能验证：在三个测试集上总体精度（OA）分别达到98.2%、96.7%与94.5%，较传统SVM与CNN方法提升3%-8%。

讨论与结论

研究表明，双加权策略能有效平衡幅度与相位特征的贡献，密集连接结构显著提升了深层网络的表征能力。通道注意力机制通过建模极化通道间依赖关系，使模型更关注具有鉴别性的散射机制。该方法为PolSAR图像解译提供了新的特征融合范式，其代码已开源以促进后续研究。未来可探索轻量化设计以适应星载实时处理需求。