ترجمه فارسی مقاله طبقه‌بندی تصویر PolSAR دو شاخه‌ای مبتنی بر GraphMAE و استخراج ویژگی محلی

چکیده

The annotation of polarimetric synthetic aperture radar (PolSAR) images is a labor-intensive and time-consuming process. Therefore, classifying PolSAR images with limited labels is a challenging task in remote sensing domain. In recent years, self-supervised learning approaches have proven effective in PolSAR image classification with sparse labels. However, we observe a lack of research on generative selfsupervised learning in the studied task. Motivated by this, we propose a dual-branch classification model based on generative self-supervised learning in this paper. The first branch is a superpixel-branch, which learns superpixel-level polarimetric representations using a generative self-supervised graph masked autoencoder. To acquire finer classification results, a convolutional neural networks-based pixel-branch is further incorporated to learn pixel-level features. Classification with fused dual-branch features is finally performed to obtain the predictions. Experimental results on the benchmark Flevoland dataset demonstrate that our approach yields promising classification results.

چکیده به فارسی (ترجمه ماشینی)

حاشیه نویسی از رادار دیافراگم مصنوعی قطبی (POLSAR) یک فرآیند کار و وقت گیر است.بنابراین ، طبقه بندی تصاویر PolSAR با برچسب های محدود یک کار چالش برانگیز در حوزه سنجش از راه دور است.در سالهای اخیر ، رویکردهای یادگیری خود تحت نظارت در طبقه بندی تصویر PolSAR با برچسب های پراکنده مؤثر بوده اند.با این حال ، ما عدم تحقیق در مورد یادگیری خود تحت نظارت خود را در کار مورد مطالعه مشاهده می کنیم.با انگیزه در این مورد ، ما یک مدل طبقه بندی دو شاخه ای را بر اساس یادگیری خودکاردی تولیدی در این مقاله پیشنهاد می کنیم.شاخه اول یک شاخه SuperPixel است که بازنمایی های قطبی در سطح SuperPixel را با استفاده از یک AutoEnencoder ماسک شده با نمودار خود تحت نظارت خود می آموزد.برای به دست آوردن نتایج طبقه بندی دقیق تر ، یک شاخه پیکسل مبتنی بر شبکه های عصبی حلقوی بیشتر برای یادگیری ویژگی های سطح پیکسل گنجانیده شده است.طبقه بندی با ویژگی های دو شاخه ذوب شده سرانجام برای به دست آوردن پیش بینی ها انجام می شود.نتایج تجربی در مجموعه داده Flevoland نشان می دهد که رویکرد ما نتایج طبقه بندی امیدوارکننده را به دست می آورد.