来源：TGRS 2019
原文：
https://
arxiv.org/pdf/1807.0297
5.pdf
code：
https://
github.com/liuxuvip/Pol
arimetric-ScatteringCoding
Introduction
极化是电磁波的本质属性之一，是除频率、幅度、相位之外的又一维重要信息。电磁波的传播和散射都是矢量现象，而极化正是用来研究电磁波的这种矢量特征。
极化合成孔径雷达在不同收发极化组合下，测量地物目标的极化散射特性，并用极化散射矩阵的形式表示。雷达发射的能量脉冲的电场矢量，可以在垂直或水平面内被偏振。无论哪个波长，雷达信号可以传送水平（H）或者垂直（V）电场矢量，接收水平（H）或者垂直（V）或者两者的返回信号。SAR系统常用四种极化方式——HH、VV、HV、VH
同一个地区不同极化方式下的成像结果
电磁波的极化对目标的介电常数、物理特性、几何形状和取向等比较敏感，因而
极化测量可以大大提高成像雷达对目标各种信息的获取能力
。
而对于PolSAR数据传统的处理方式是将其转化为一维向量，本文认为这种转化损失了其空间信息，所以为了解决这一问题，本文提出了一种新的极化散射编码方式，从而提高了分类性能。
Contribution
1、提出了一种新的极化散射矩阵的编码方式，可以将原始数据保存为一个二维矩阵，从而保存其空间信息
2、提出了一种基于散射矩阵编码和卷积网络的分类算法，称作极化卷积网络
3、设计了一种融合两种特征的聚合方式，提升了分类准确率
Method
原始的PolSAR数据就是这样一个三维数据，其通道数为8，分别对应a-h，所以散射矩阵S如图所示，而原始的处理方式是将S拉成一个一维向量，损失了其空间信息，所以作者提出了一种新的编码方式，如下图所示
通过新的编码方式，可将原始数据转化为一个二维矩阵，保存了空间信息。
Model
本文的网络结构如下图所示
对于原始数据的处理我们分成两个分支：
1、对原始数据用新的编码方式进行编码，之后将得到的二维矩阵经过卷积之后送入全连接网络（FCN），得到对应的feature map。
2、将原始数据直接送入FCN，得到对应的feature map
3、将两个feature map合在一起，经过卷积将通道数变为类别数C
4、通过softmax得到最后的分类结果图
Experiment
数据集：
San Francisco, RADARSAT-2, C-Band、Flevoland, Radarsat-2, C-Band、San Francisco, AIRSAR, L-Band、Flevoland, AIRSAR, L-Band
实验部分通过图像和表格的方式表明了本方法的优越性，就不在这里一一展示了，有兴趣的同学可以查看原文，我在这里展示两个实验
T-test score衡量的是一组数据的组内差异，数值越小，差异越小，此处较小的score值表示分类结果比较稳定
Conclusion
本文主要是提出了一种新的编码方式并结合该编码方式设计了一种卷积网络用于PolSAR图像的分类，解决了原始编码无法保留空间信息的问题。两个分支的特征聚合也是分别代表了不同特征，提高了分类准确率。