Leveraging machine learning and deep learning for SAR image classification

Abstract

The study conducted a comprehensive analysis of contemporary machine learning and deep learning methods for the classification of synthetic aperture radar (SAR) images. The primary objective was to identify architectures and approaches that ensure high classification accuracy while optimising computational efficiency. Particular emphasis was placed on addressing key challenges, including speckle noise, geometric distortions, and the limited availability of labelled data. The research methodology involved a systematic review of the scientific literature from 2015 to 2024 and an analysis of the polarisation characteristics of SAR images using the Copernicus Browser platform. The effectiveness of traditional machine learning methods, such as Support Vector Machines and Random Forest, was evaluated alongside modern deep learning architectures, including ResNet, U-Net, and Vision Transformer. Special attention was given to the impact of adaptive speckle noise filtering using the Lee filter with varying window sizes (3 × 3, 5 × 5, and 7 × 7) on classification performance. The results demonstrated that deep neural networks outperform traditional methods due to their ability to automatically extract hierarchical feature representations. ResNet achieved high classification accuracy, U-Net proved effective for segmentation, and Vision Transformer captured global dependencies. The optimal balance between speckle noise suppression and detail preservation was found when applying the Lee filter with a 5 × 5 window size. A persistent challenge remains the limited availability of labelled data. To address this issue, semi-supervised learning was explored, as it enhances feature normalisation and model performance. A promising avenue for further research is the utilisation of complex-valued neural networks to optimise computational costs. The findings of this study have practical significance for the automated classification of SAR images in environmental monitoring, agricultural land assessment, and remote sensing applications.

У дослідженні проведено комплексний аналіз сучасних методів машинного та глибинного навчання для класифікації радіолокаційних зображень із синтезованою апертурою. Метою роботи було визначення архітектур і підходів, які забезпечують високу точність класифікації при збереженні ефективності обчислювальних ресурсів. Основну увагу приділено вирішенню ключових викликів: спекл-шуму, геометричних спотворень та обмеженості розмічених даних. Методологія дослідження включала систематичний аналіз наукової літератури за 2015- 2024 роки та вивчення поляризаційних характеристик Synthetic Aperture Radar-зображень із використанням платформи Copernicus Browser. Було досліджено ефективність традиційних методів машинного навчання (Support Vector Machines, Random Forest) та сучасних архітектур глибокого навчання (ResNet, U-Net, Vision Transformer). Особливу увагу приділено впливу адаптивної фільтрації спекл-шуму за допомогою фільтра Lee при різних розмірах вікна (3×3; 5×5; 7×7) на якість класифікації. Результати показали, що глибокі нейронні мережі мають переваги перед традиційними методами завдяки здатності автоматично виділяти ієрархічні представлення ознак. ResNet забезпечує високу точність класифікації, U-Net ефективна для сегментації, а Vision Transformer враховує глобальні залежності. Оптимальний баланс між придушенням спекл-шуму та збереженням деталей досягається при використанні фільтра Lee з розміром вікна 5×5. Однією з проблем залишається обмеженість розмічених даних. Для її вирішення розглянуто напівконтрольоване навчання, що покращує нормалізацію ознак і продуктивність моделей. Перспективним напрямком є використання комплекснозначних нейронних мереж для оптимізації обчислювальних витрат. Результати мають практичне значення для автоматизованої класифікації Synthetic Aperture Radar-зображень у задачах екологічного моніторингу, оцінки стану сільськогосподарських угідь та дистанційного зондування.