Complex valued multilayer perceptron for object recognition in polarimetric SAR images

Abstract

Polarimetric Synthetic Aperture Radars (PolSAR) are able to deliver high-resolution images of the Earth, independently of daylight and almost under any weather condition. Such images are useful in several applications, including those interested in recognizing object categories over a region, for instance for controlling land cover or supporting rescue efforts after natural catastrophes. These images have some geometrical and radiometric properties that make their interpretation a non-trivial task though, what gets exacerbated by the increasing amount of images and improvements of their resolution. Thus automatic methods are essential for efficiently accomplishing such tasks. Most general object recognition methods are concerned with real-valued optical images. The fact that PolSAR measurements are inherently complex-valued raises the question if methods specially designed to work with complex numbers could better exploit their properties. One of the possibilities is to use a Complex-valued Multilayer Perceptron (CV-MLP). Early works showed promising results by applying a basic implementation of a CV-MLP to the aforementioned task. This work shows that a CV-MLP using techniques such as Xavier Initialization, Adagrad and ReLUs is able to obtain much better results. The achieved accuracy is equivalent to that of an analogous real-valued MLP though, provided a proper mapping of the complex-valued PolSAR data to the real domain is used.

Radares de Abertura Sintética Polarimétricos (PolSAR) são capazes de prover imagens de alta resolução da Terra, independentemente da luz-do-dia e sob praticamente quaisquer condições climáticas. Tais imagens são úteis em diversas aplicações, incluindo as que têm por fim reconhecer categorias de objetos em uma superfície, por exemplo para monitorar a utilização do solo ou fornecer suporte a operações de resgate após catástrofes naturais. Estas imagens possuem propriedades geométricas e radiométricas que dificultam sua interpretação, o que é exacerbado pelo constante crescimento da quantidade de tais imagens disponíveis em alta resolução. A maioria dos métodos de reconhecimento de objetos operam sobre imagens representadas por matrizes de números reais. O fato de dados PolSAR serem de natureza complexa leva ao questionamento se métodos especificamente desenvolvidos para trabalhar com números complexos seriam capazes de explorar melhor as propriedades destes dados. Uma das possibilidades é o uso do Complex-Valued Multilayer Perceptron (CVMLP). Trabalhos prévios mostraram resultados promissores ao aplicar uma implementação básica deste algoritmo à tarefa em questão. O presente trabalho mostra que um CV-MLP usando técnicas como Inicialização de Xavier, Adagrad e unidades lineares retificadas é capaz de aprimorar tais resultados. A precisão obtida é no entanto equivalente a de um Multilayer Perceptron de natureza real análogo, com a condição de que uma transformação apropriada do domínio complexo para o real seja empregada sobre os dados fornecidos ao algoritmo.

Polarimetrische Radars mit synthetischer Apertur (eng. PolSAR) sind in der Lage hoch auflösende Bilder der Erde unabhängig von Tageslicht und unter fast allen Wetterbedingungen zu liefern. Solche Bilder sind bei vielen Anwendungen nützlich, unter anderem bei solchen die an der Erkennung von Objektkategorien auf Gebieten interessiert sind, um beispielsweise Landbedeckung zu kontrollieren und Rettungsaktionen nach natürlichen Katastrophen zu unterstützen. Diese Bilder besitzen geometrische und radiometrische Eigenschaften die ihre Interpretierung zu einer nicht-trivialen Aufgabe machen, was durch die immer größer werdende Datenmenge und die Verbesserung derer Auflösung verschlimmert wird. Daher sind automatische Methoden unabdingbar um solche Aufgaben effizient zu erfüllen. Die meisten allgemeinen Objekterkennungsmethoden beziehen sich auf reell wertige optische Bilder. Die Tatsache, dass PolSAR Messungen inhärent komplexwertig sind, wirft die Frage auf, ob Methoden die für den Umgang mit komplexen Zahlen entworfen sind die Eigenschaften dieser Daten besser ausnutzen können. Eine Möglichkeit ist ein Komplexwertiges Mehrlagiges Perceptron (eng. CV-MLP) zu benutzen. Frühere Arbeiten konnten vielversprechende Ergebnisse bei der Anwendung einer einfachen Implementation von einem CV-MLP für die Klassifizierung von PolSAR Bildern feststellen. Diese Arbeit zeigt, dass ein CV-MLP das Techniken wie Xavier Initialisierung, Adagrad und ReLUs verwendet in der Lage ist, deutlich bessere Ergebnisse zu erzielen. Die erreichte Genauigkeit ist allerdings äquivalent zu der von einem analogen reellwertigen MLP, vorausgesetzt, dass eine geeignete Abbildung der komplexwertigen PolSAR-Daten auf den reellen Bereich benutzt wird.