基于扩张图卷积网络的SAR图像分类

合成孔径雷达(Synthetic Aperture Radar, SAR)图像存在相干斑噪声,且样本数量少,导致特征提取困难。为了提取更有表征力的特征,本文提出了一种基于扩张图卷积网络,用于SAR图像分类。该网络构造了一个新的残差扩张图卷积(Residual Dilated Graph Convolutional, RDGC)模块。RDGC模块包含3个不同扩张率的图结构,通过卷积提取不同感受野的特征,并能够调整感受野的大小,以适应不同尺度的特征信息;在此基础上,叠加多个RDGC模块,通过将每个RDGC模块的输出进行特征融合,提取较多的细节信息;最后,将SAR图像经过粗提取后的特征附加在其上,形成全局的残差连接,在高层语义特征中融入低层空间特征,进一步补充细节信息,且避免了特征丢失和梯度消失。在两幅真实SAR图像上进行实验,结果表明:改进的图卷积网络模型优于现有网络的分类效果和性能。