In this article, we propose a hybrid conditional random field model based on complex-valued 3-D convolutional neural network (C3NN), named as HCRF-C3NN, for polarimetric synthetic aperture radar (PolSAR) image classification. HCRF-C3NN combines the modeling power of random fields with the representation-learning ability of deep learning model for PolSAR image. By C3NN, HCRF-C3NN exploits deep amplitude and phase information of PolSAR data and, thus, measures the class probabilities in the framework of random fields. Additionally, HCRF-C3NN captures the spatial label interactions effectively in PolSAR image classification by the following work: 1) Based on the C3NN-based class probabilities, the relative entropy of class distributions is derived to describe the local structure and, thus, regulates the pairwise label interactions, which enhances the accuracy of edge location in the classification; 2) a product-of-expert potential is introduced to enforce label consistency, and, thus, HCRF-C3NN is more robust against speckle of PolSAR image and achieves smoother classification within the consistent class region. At last, to capture PolSAR image information in a more complete manner, the deep features and PolSAR scattering statistics are integrated into HCRF-C3NN based on Bayesian fusion. In this way, HCRF-C3NN effectively explores spatial correlation, scattering statistics, and deep features of PolSAR data in the framework of random fields. The experimental results demonstrate the superiority of HCRF-C3NN over the recent deep learning models for PolSAR image classification.

中文翻译：

---

使用基于复值 3-D CNN 的混合条件随机场模型的 PolSAR 图像分类

在本文中，我们提出了一种基于复值 3-D 卷积神经网络 (C3NN) 的混合条件随机场模型，命名为 HCRF-C3NN，用于极化合成孔径雷达 (PolSAR) 图像分类。HCRF-C3NN 将随机场的建模能力与 PolSAR 图像深度学习模型的表示学习能力相结合。通过 C3NN，HCRF-C3NN 利用 PolSAR 数据的深层幅度和相位信息，从而在随机场的框架内测量类别概率。此外，HCRF-C3NN 通过以下工作在 PolSAR 图像分类中有效地捕获空间标签相互作用：1）基于基于 C3NN 的类概率，导出类分布的相对熵来描述局部结构，从而调节成对标签相互作用，提高了分类中边缘定位的准确性；2) 引入了专家产品潜力以加强标签一致性，因此，HCRF-C3NN 对 PolSAR 图像的散斑更加鲁棒，并在一致的类区域内实现更平滑的分类。最后，为了更完整地捕获PolSAR图像信息，将深度特征和PolSAR散射统计集成到基于贝叶斯融合的HCRF-C3NN中。这样，HCRF-C3NN 在随机场的框架内有效地探索了 PolSAR 数据的空间相关性、散射统计和深层特征。实验结果证明了 HCRF-C3NN 优于最近用于 PolSAR 图像分类的深度学习模型。2) 引入了专家产品潜力以加强标签一致性，因此，HCRF-C3NN 对 PolSAR 图像的散斑更加鲁棒，并在一致的类区域内实现更平滑的分类。最后，为了更完整地捕获PolSAR图像信息，将深度特征和PolSAR散射统计集成到基于贝叶斯融合的HCRF-C3NN中。这样，HCRF-C3NN 在随机场的框架内有效地探索了 PolSAR 数据的空间相关性、散射统计和深层特征。实验结果证明了 HCRF-C3NN 优于最近用于 PolSAR 图像分类的深度学习模型。2) 引入了专家产品潜力以加强标签一致性，因此，HCRF-C3NN 对 PolSAR 图像的散斑更加鲁棒，并在一致的类区域内实现更平滑的分类。最后，为了更完整地捕获PolSAR图像信息，将深度特征和PolSAR散射统计集成到基于贝叶斯融合的HCRF-C3NN中。这样，HCRF-C3NN 在随机场的框架内有效地探索了 PolSAR 数据的空间相关性、散射统计和深层特征。实验结果证明了 HCRF-C3NN 优于最近用于 PolSAR 图像分类的深度学习模型。最后，为了更完整地捕获PolSAR图像信息，将深度特征和PolSAR散射统计集成到基于贝叶斯融合的HCRF-C3NN中。这样，HCRF-C3NN 在随机场的框架内有效地探索了 PolSAR 数据的空间相关性、散射统计和深层特征。实验结果证明了 HCRF-C3NN 优于最近用于 PolSAR 图像分类的深度学习模型。最后，为了更完整地捕获PolSAR图像信息，将深度特征和PolSAR散射统计集成到基于贝叶斯融合的HCRF-C3NN中。这样，HCRF-C3NN 在随机场的框架内有效地探索了 PolSAR 数据的空间相关性、散射统计和深层特征。实验结果证明了 HCRF-C3NN 优于最近用于 PolSAR 图像分类的深度学习模型。