在这项研究中，我们提出了一种新的复合值卷积神经网络（Complex-valued CNN）--- Shallow to Deep Feature Fusion Network（SDF2Net），用于极化合成孔径雷达图像分类，并通过对多个最新方法使用的 AIRSAR 数据集和 ESAR Oberpfaffenhofen 数据集进行对比，结果表明该方法在整体准确度上有所改善，并分别在 AIRSAR 数据集提高了 1.3% 和 0.8%，在 ESAR 数据集提高了 0.5%。对 Flevoland 数据的分析进一步证明了 SDF2Net 模型的有效性，即使仅使用 1% 的采样比例，也达到了 96.01% 的有希望的整体准确度。

Feb, 2024

本文提出了一种基于异质网络对比学习方法 (HCLNet)，通过多特征和超像素对未标记的 PolSAR 数据进行高层表示学习，以实现少样本分类。实验表明，与现有方法相比，HCLNet 在三个广泛使用的 PolSAR 基准数据集上具有优势，并通过消融研究验证了每个组件的重要性。此外，该工作对于如何高效利用 PolSAR 数据的多特征学习更好的高层表示以及如何构建更适合 PolSAR 数据的网络具有重要意义。

Mar, 2024

本文介绍了一种新的基于谱域卷积架构的图像深度学习模型，其中核心成分是一类新的参数有理复合函数（Cayley 多项式），允许在图像上高效地计算频带感兴趣的谱滤波器，具有分布在空间中的丰富的谱滤波器，线性地扩展到稀疏连接的图像的输入数据的规模，并且可以处理不同构造的拉普拉斯算子等。通过应用于谱图像分类、社区检测、顶点分类和矩阵完成任务等广泛实验结果表明，我们的方法比其他谱域卷积架构具有更好的性能。

May, 2017

利用多极化合成孔径雷达（SAR）图像，我们提出了一种名为通道屏蔽的自监督去斑方法，利用极化之间的关系和像素到像素的相关性处理，实现了比现有方法更好的去噪效果。

Jan, 2024

本文介绍了一种基于 Riemannian 网络架构的 SPD 矩阵非线性学习方法，使用双线性映射层、特征值矫正层和特征值对数层，使用基于 Stiefel 流形的变体随机梯度下降法来训练此深度网络。实验证明，该网络简单易用，并在三个典型的视觉分类任务中优于现有的 SPD 矩阵学习和现有最先进的方法。

Aug, 2016

本研究提出了一种名为 DeepcomplexMRI 的多通道图像重建方法，使用残差复杂卷积神经网络加速并行 MR 图像采集，并在多层网络中加强了 K 空间数据一致性，评估结果表明，该方法能够更准确地重建所需的 MR 图像。

Jun, 2019

利用卷积神经网络学习判别模型以去噪 SAR 图像，该网络采用残差学习策略，训练时考虑多时相 SAR 图像及其多视版本，实验结果表明，与现有技术相比，该方法表现更好。

Apr, 2017

本研究提出了一种基于深度学习的方法，即图像去斑卷积神经网络（ID-CNN），用于自动从输入的噪声图像中去除斑点。它使用一组卷积层、批量归一化和修正线性单元激活函数以及分量分裂残差层来估计斑点，并使用欧几里得损失和总变分损失的组合进行端到端的训练，与现有的非常规斑点降噪方法相比，在合成和实际 SAR 图像上都取得了显著的改进效果。

Jun, 2017

我们提出了一个多频率极化合成孔径雷达图像分类算法，使用 PolSAR 分解算法从给定图像的每个频带提取了 33 个特征。接着，我们使用两层自编码器来减少输入特征向量的维度，同时保留有用的特征。然后，我们应用简单的线性迭代聚类算法（SLIC）生成超像素。接下来，我们使用像素和超像素信息构建稳健的特征表示。最后，我们使用 softmax 分类器执行分类任务。使用超像素的优点在于它能保留相邻 PolSAR 像素之间的空间信息，从而在分类过程中最小化斑点噪声的影响。我们在 Flevoland 数据集上进行了实验，结果表明我们提出的方法优于文献中其他方法。

Nov, 2023

本文提出一种新的深度学习架构用于自然复数数据，并利用极径形式将每个样本视为复数空间中的一个领域，设计了一种基于 Riemannian 流形上加权 Frechet 平均的卷积算子和基于距离到 wFM 的全连接层算子，具有非零缩放和平面旋转下的自然等变性及后者的不变性，相较于基于实数神经网络的两通道实数表示法，我们的方法在 MSTAR 和 RadioML 复数数据集上均获得了出色的表现。

Jun, 2019