論文の概要: DDF2Pol: A Dual-Domain Feature Fusion Network for PolSAR Image Classification

• arxiv url: http://arxiv.org/abs/2604.18853v1
• Date: Mon, 20 Apr 2026 21:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.503618
• Title: DDF2Pol: A Dual-Domain Feature Fusion Network for PolSAR Image Classification
• Title（参考訳）: DDF2Pol: PolSAR画像分類のためのデュアルドメイン機能融合ネットワーク
• Authors: Mohammed Q. Alkhatib,
• Abstract要約: DDF2Polは、PolSAR画像分類のための軽量なデュアルドメイン畳み込みニューラルネットワークである。 低モデルの複雑さを維持しながら、優れた分類性能を達成する。
• 参考スコア（独自算出の注目度）: 2.538209532048867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents DDF2Pol, a lightweight dual-domain convolutional neural network for PolSAR image classification. The proposed architecture integrates two parallel feature extraction streams, one real-valued and one complex-valued, designed to capture complementary spatial and polarimetric information from PolSAR data. To further refine the extracted features, a depth-wise convolution layer is employed for spatial enhancement, followed by a coordinate attention mechanism to focus on the most informative regions. Experimental evaluations conducted on two benchmark datasets, Flevoland and San Francisco, demonstrate that DDF2Pol achieves superior classification performance while maintaining low model complexity. Specifically, it attains an Overall Accuracy (OA) of 98.16% on the Flevoland dataset and 96.12% on the San Francisco dataset, outperforming several state-of-the-art real- and complex-valued models. With only 91,371 parameters, DDF2Pol offers a practical and efficient solution for accurate PolSAR image analysis, even when training data is limited. The source code is publicly available at https://github.com/mqalkhatib/DDF2Pol
• Abstract（参考訳）: 本稿では、PolSAR画像分類のための軽量デュアルドメイン畳み込みニューラルネットワークDDF2Polを提案する。 提案アーキテクチャは,実数値と複素数値の2つの並列特徴抽出ストリームを統合し,PolSARデータから相補的空間・偏光情報を取得する。 抽出した特徴をさらに洗練するために、空間強調のために深度ワイドな畳み込み層を使用し、次いで最も情報性の高い領域に焦点を合わせるための座標注意機構を備える。 Flevoland と San Francisco の2つのベンチマークデータセットで実施された実験的評価は、DFF2Pol が低モデルの複雑さを維持しながら優れた分類性能を達成することを示した。 具体的には、Flevolandデータセットで98.16%、サンフランシスコデータセットで96.12%の総合的精度(OA)を獲得し、いくつかの最先端のリアルタイムおよび複雑な評価モデルを上回っている。 91,371のパラメータしか持たないDDF2Polは、トレーニングデータが制限されている場合でも、正確なPolSAR画像解析のための実用的で効率的なソリューションを提供する。 ソースコードはhttps://github.com/mqalkhatib/DDF2Polで公開されている。

関連論文リスト

• Knowledge-guided Complex Diffusion Model for PolSAR Image Classification in Contourlet Domain [58.46450049579116]
  本稿では,Contourlet領域におけるPolSAR画像分類のための知識誘導複合拡散モデルを提案する。 具体的には、まずデータを低周波サブバンドと高周波サブバンドに分解するためにContourlet変換を適用する。 次に、低周波成分の統計特性をモデル化するために、知識誘導複合拡散ネットワークを設計する。
  論文  参考訳（メタデータ） (2025-07-08T04:50:28Z)
• PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [83.35198885088093]
  PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。 複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。 PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。 本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
  論文  参考訳（メタデータ） (2024-12-17T09:59:53Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• SDF2Net: Shallow to Deep Feature Fusion Network for PolSAR Image Classification [1.2349871196144497]
  畳み込みニューラルネットワーク(CNN)は, PolSAR画像の特徴を捉える上で重要な役割を担っている。 本研究では,PolSAR画像分類において,Shallow to Deep Feature Fusion Network (SDF2Net) と呼ばれる複素数値CNNの3分岐融合を提案する。 その結果、提案手法は全体的な精度の向上を示し、AIRSARデータセットは1.3%、0.8%、ESARデータセットは0.5%向上した。
  論文  参考訳（メタデータ） (2024-02-27T16:46:21Z)
• Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset [1.0494061710470493]
  本研究では, 空間偏光合成開口レーダ(PolSAR)を用いた意味的セグメンテーションにおけるDCNNの性能について検討する。 PolSARデータを用いたセマンティックセグメンテーションタスクは、SARデータの特徴とアノテート手順が考慮されている場合、弱い教師付き学習に分類することができる。 次に、SegNet、U-Net、LinkNetを含む3つのDCNNモデルが実装されている。
  論文  参考訳（メタデータ） (2020-03-30T17:32:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。