Physics-Aware Complex-Valued State Space Model with Scattering-Prior Feature Modulation for PolSAR Image Classification

📄 arXiv: 2607.19787v1 📥 PDF

作者: Fangyan Zhang, Fan Zhang, Shiqi Zhou, Jun Ni, Carlos López-Martínez, Qiang Yin

分类: cs.CV, cs.AI

发布日期: 2026-07-22

备注: 20pages, 14 figures, 10 tables

💡 一句话要点

提出CV-SSMNet以解决PolSAR图像分类中的物理知识不足问题

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

关键词: 极化合成孔径雷达 复值网络 物理感知 特征调制 长距离依赖 散射先验 GeoAI 图像分类

📋 核心要点

  1. 现有的复值网络在长距离空间依赖建模上存在局限，且物理知识未能充分利用。
  2. 提出CV-SSMNet，通过复值状态空间模型捕捉长距离依赖，并利用散射先验进行特征调制。
  3. 在三组L波段基准数据集和P波段BIOMASS评估中，CV-SSMNet在准确性和区域一致性上表现优异。

📝 摘要（中文）

极化合成孔径雷达（PolSAR）图像分类是物理感知GeoAI的代表性任务，土地覆盖语义与电磁散射机制密切相关。现有的复值网络虽然能够保留幅度-相位信息，但在长距离空间依赖建模方面存在局限，且通常仅将极化先验作为输入级或浅层辅助特征，导致物理知识未能充分指导深度特征演化。为了解决这一问题，本文提出了CV-SSMNet，这是一种具有散射感知特征调制的物理感知复值状态空间网络。该方法在原始复数域中构建了复值状态空间模型（CV-SSM），以捕捉长距离空间依赖，同时保留极化幅度-相位耦合。通过七个物理意义明确的散射先验，作为FiLM风格的调制信号，适应性地重新校准复值表示。CV-SSMNet进一步整合了多尺度复卷积、分支式CV-SSM编码、先验引导的重新校准和轻量级全局上下文聚合，支持从局部散射结构到全局空间上下文的物理引导表示学习。

🔬 方法详解

问题定义：本文旨在解决极化合成孔径雷达（PolSAR）图像分类中物理知识利用不足的问题。现有方法在长距离空间依赖建模上存在局限，且通常仅将极化先验作为输入级或浅层特征，未能有效指导深度特征演化。

核心思路：论文提出CV-SSMNet，通过构建复值状态空间模型（CV-SSM）来捕捉长距离空间依赖，同时保留极化幅度-相位耦合。利用七个物理散射先验作为调制信号，适应性地校准复值表示，从而增强特征学习的物理感知能力。

技术框架：CV-SSMNet的整体架构包括多尺度复卷积、分支式CV-SSM编码、先验引导的重新校准和轻量级全局上下文聚合模块。这些模块协同工作，支持从局部到全局的物理引导表示学习。

关键创新：最重要的技术创新在于将物理散射机制嵌入复值长距离GeoAI表示学习中，显著提升了特征演化的物理感知能力，与现有方法相比，提供了更深层次的物理指导。

关键设计：在网络设计中，采用了多尺度卷积以捕捉不同尺度的特征，损失函数设计上考虑了区域一致性和边界保留，确保模型在复杂场景下的表现优异。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CV-SSMNet在三组L波段基准数据集上实现了竞争性的准确性，并在区域一致性和边界保留方面表现优于现有方法，具体提升幅度达到X%（具体数据未知）。

🎯 应用场景

该研究在极化合成孔径雷达图像分类领域具有广泛的应用潜力，能够为土地覆盖监测、环境变化分析和城市规划等提供更为准确的分类结果。未来，该方法可能在遥感图像分析和地理信息系统等领域产生深远影响。

📄 摘要（原文）

Polarimetric synthetic aperture radar (PolSAR) image classification is a representative task for physics-aware GeoAI, where land-cover semantics are closely coupled with electromagnetic scattering mechanisms. Many existing complex-valued networks can preserve amplitude-phase information, but they are often limited in long-range spatial dependency modeling and usually incorporate polarimetric priors only as input-level or shallow auxiliary features. As a result, physical knowledge is insufficiently used to guide deep feature evolution. To address this issue, this paper proposes CV-SSMNet, a physics-aware complex-valued state-space network with scattering-aware feature modulation for PolSAR image classification. The proposed method builds a complex-valued state-space model (CV-SSM) in the original complex domain to capture long-range spatial dependencies while preserving polarimetric amplitude-phase coupling. Meanwhile, seven physically meaningful scattering priors, are encoded as FiLM-style modulation signals to adaptively recalibrate complex-valued representations during feature evolution. CV-SSMNet further integrates multi-scale complex convolutions, branch-wise CV-SSM encoding, prior-guided recalibration, and lightweight global context aggregation, enabling physically guided representation learning from local scattering structures to global spatial context. Experiments on three L-band benchmark datasets and an additional P-band BIOMASS evaluation demonstrate that CV-SSMNet achieves competitive accuracy, improved regional consistency, and better boundary preservation, supporting the effectiveness of embedding polarimetric scattering mechanisms into complex-valued long-range GeoAI representation learning.