子视图分解：在TOPSAR数据中用于船舶分类的分析与应用

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Sub-Look Decomposition: Analysis and Application for Ship Classification in TOPSAR Data

　　

摘要：

本研究探讨了在渐进式扫描合成孔径雷达（TOPSAR）图像的地形观测中，由于子视场分解（Sub-Look Decomposition, SD）引起的振幅伪影及其对船舶分类的影响。该研究做出了双重贡献：首先，构建了一个理论框架，阐明了TOPSAR固有的相位调制如何在SD过程中转化为周期性振幅伪影的机制；其次，提出了一种新型的轻量级卷积神经网络（CNN）LeNet-4SD，以有效利用SD数据。该模型的架构特点在于其多输入设计，能够同时处理方位角子视场（AZS）、距离子视场（RGS）以及单次视场复合（SLC）振幅图像，并通过基于频谱的注意力机制将这些数据并行处理。在OpenSARShip数据集上的评估表明，LeNet-4SD的分类性能可与更大的基准模型相媲美，同时计算效率提高了两个数量级以上。为了解释模型的行为，使用了Shapley加性解释（SHAP）方法来量化每个数据源的贡献。分析结果显示出不同类别之间的依赖性差异，突出表明该模型对于集装箱船依赖于子视场的多样性，而对于油轮则依赖于高分辨率的SLC图像。这些发现强调了考虑处理过程中产生的伪影的重要性，并表明定制的、轻量级的多输入模型比微调大型预训练网络在SAR应用中更为有效和高效。