Dual-frequency Selected Knowledge Distillation with Statistical-based Sample Rectification for PolSAR Image Classification

📄 arXiv: 2507.03268v1 📥 PDF

作者: Xinyue Xin, Ming Li, Yan Wu, Xiang Li, Peng Zhang, Dazhi Xu

分类: cs.CV

发布日期: 2025-07-04

💡 一句话要点

提出SKDNet-SSR，通过统计校正和知识蒸馏提升双频PolSAR图像分类精度。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: PolSAR图像分类 双频数据 知识蒸馏 样本校正 统计建模

📋 核心要点

  1. 双频PolSAR图像协同分类面临区域一致性对分类信息学习的影响，以及如何合理利用双频数据两大挑战。
  2. 论文提出SKDNet-SSR，通过统计动态样本校正模块SDSR去除噪声像素，并利用双频门选择蒸馏模块DGSD实现双频数据互补学习。
  3. 在四个实测双频PolSAR数据集上的实验表明，SKDNet-SSR的性能优于其他相关方法，验证了其有效性。

📝 摘要（中文）

本文提出了一种基于统计校正的选择知识蒸馏网络(SKDNet-SSR)，用于解决双频PolSAR图像协同分类中的区域一致性问题和双频数据合理利用问题。该方法利用CNN和ViT提取局部和全局特征，并设计了基于统计的动态样本校正(SDSR)模块，通过动态评估样本纯度并进行像素选择和生成，避免噪声像素的影响，从而改善空间信息学习过程。此外，构建了双频门选择蒸馏(DGSD)模块，利用单频优势作为教师模型训练双频学生模型，实现双频数据的互补学习。在四个实测双频PolSAR数据集上的实验结果表明，所提出的SKDNet-SSR优于其他相关方法。

🔬 方法详解

问题定义：双频PolSAR图像分类旨在融合不同频率的极化SAR数据以提升分类精度。然而，现有方法容易受到区域一致性较差的影响，导致空间信息学习受阻。此外，如何有效利用不同频率数据的互补信息也是一个挑战。

核心思路：论文的核心思路是通过统计方法校正样本，减少噪声像素的干扰，并利用知识蒸馏框架，让双频模型互相学习，从而实现优势互补。具体来说，首先通过统计方法评估样本纯度，去除噪声像素，然后利用单频模型的优势指导双频模型的学习。

技术框架：SKDNet-SSR的整体框架包括三个主要模块：特征提取模块（CNN和ViT）、统计动态样本校正模块(SDSR)和双频门选择蒸馏模块(DGSD)。首先，使用CNN和ViT分别提取局部和全局特征。然后，SDSR模块根据统计信息对样本进行校正，去除噪声像素。最后，DGSD模块利用单频模型的预测结果作为教师信号，指导双频模型的学习。

关键创新：该方法的主要创新点在于：1) 提出了基于统计的动态样本校正模块(SDSR)，能够有效地去除噪声像素，提高空间信息学习的质量。2) 设计了双频门选择蒸馏模块(DGSD)，能够充分利用不同频率数据的互补信息，提高分类精度。与现有方法相比，该方法更加注重样本质量和频率间的互补学习。

关键设计：SDSR模块的关键在于样本纯度的动态评估，基于PolSAR协方差矩阵服从复Wishart分布的假设，计算样本的统计特性，并以此为依据进行像素选择和生成。DGSD模块的关键在于门控机制的设计，通过门控机制选择合适的单频模型作为教师模型，指导双频模型的学习。损失函数包括分类损失和蒸馏损失，其中蒸馏损失用于衡量学生模型和教师模型之间的差异。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，提出的SKDNet-SSR在四个实测双频PolSAR数据集上均取得了优于其他方法的性能。例如，在某数据集上，SKDNet-SSR的总体分类精度(OA)比次优方法提高了2-3个百分点，Kappa系数也得到了显著提升，验证了该方法的有效性。

🎯 应用场景

该研究成果可应用于遥感图像解译、地物分类、农作物监测、灾害评估等领域。通过提高PolSAR图像分类精度，可以为相关应用提供更准确可靠的信息，具有重要的实际应用价值和广阔的应用前景。

📄 摘要（原文）

The collaborative classification of dual-frequency PolSAR images is a meaningful but also challenging research. The effect of regional consistency on classification information learning and the rational use of dual-frequency data are two main difficulties for dual-frequency collaborative classification. To tackle these problems, a selected knowledge distillation network with statistical-based sample rectification (SKDNet-SSR) is proposed in this article. First, in addition to applying CNN and ViT as local and global feature extractors, a statistical-based dynamic sample rectification (SDSR) module is designed to avoid the impact of poor regional consistency on spatial information learning process. Specifically, based on the fact that the PolSAR covariance matrix conforms to the complex Wishart distribution, SDSR first dynamically evaluates the sample purity, and then performs pixel selection and pixel generation to remove noisy pixels, thereby avoiding the feature interaction between informative pixels and noisy pixels and improving the classification feature extraction process. Next, a dual-frequency gate-selected distillation (DGSD) module is constructed to emphasize the advantages of different frequency bands and perform complementary learning on dual-frequency data. It uses the dominant single-frequency branch on each sample as teacher model to train the dual-frequency student model, enabling the student model to learn the optimal results and realizing complementary utilization of dual-frequency data on different terrain objects. Comprehensive experiments on four measured dual-frequency PolSAR data demonstrate that the proposed SKDNet-SSR outperforms other related methods.