摘要
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，其中地表覆盖语义与电磁散射机制紧密相关。许多现有的复杂值网络能够保留幅度-相位信息，但在长距离空间依赖建模方面往往受到限制，并且通常仅将极化先验作为输入层或浅层辅助特征。因此，物理知识不足以指导深层特征的演化。
为了解决这一问题，本文提出了CV-SSMNet，一种具有散射感知特征调制的物理感知复杂值状态空间网络，用于PolSAR图像分类。该方法在原始复杂域中构建了复杂值状态空间模型（CV-SSM），以捕捉长距离空间依赖，同时保留极化幅度-相位耦合。同时，七个具有物理意义的散射先验被编码为FiLM风格的调制信号，以适应性地重新校准复杂值表示。
CV-SSMNet进一步整合了多尺度复杂卷积、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，使得从局部散射结构到全局空间上下文的物理引导表示学习成为可能。对三个L波段基准数据集和一个额外的P波段BIOMASS评估的实验表明，CV-SSMNet在准确性、区域一致性和边界保留方面取得了竞争优势，支持将极化散射机制嵌入复杂值长距离GeoAI表示学习的有效性。
博主点评： 本文提出的方法在结合物理知识与复杂值网络的同时，解决了传统方法在长距离空间依赖建模上的不足，展示了散射先验在特征演化中的重要性，为PolSAR图像分类提供了新的思路。