《雷达学报杂志》发表论文赏析
作者:赵娟萍, 郭炜炜, 柳彬, 崔世勇, 张增辉, 郁文贤
单位:①.上海交通大学智能探测与识别上海市高校重点实验室 上海 200240;②.德国宇航局遥感技术研究所 德国韦斯灵 82234;
摘要:合成孔径雷达(Synthetic Aperture Radar, SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks, CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言,由于SAR特殊的成像机理,图像受相干斑噪声、几何畸变和结构缺失等因素影响较为严重,非直观性较强,使得SAR图像人工标注非常困难,极易出错,从而导致CNN等模型学习和泛化性能急剧降低。针对这种含噪标记条件下的SAR图像分类问题,该文提出了一种基于概率转移模型的卷积神经网络(Probability Transition CNN, PTCNN)方法,该方法在传统CNN模型基础上,基于含噪标记与正确标记之间的概率转移模型,建立噪声标记转移层,这种新的卷积网络模型可潜在地校正错误标记,增强了含噪标记下分类模型的鲁棒性。与经典CNN等模型相比,在构建的16类SAR图像地物数据集和MSTAR数据集上的实验结果表明该文方法相比于经典CNN等模型,在保持SAR图像分类性能的同时具有较好的抗噪性,能够有效校正训练样本中的标注错误,从而降低了SAR图像有监督分类任务对样本标注质量的要求,具有一定的研究价值与应用前景。
关键词:合成孔径雷达(SAR)图像分类, 监督学习, 含噪标记, 概率转移卷积神经网络(PTCNN), 深度特征
基金资助:国家自然科学基金重点项目(61331015),中国博士后基金项目(2015M581618)
2017年5期其他文献查阅:
一种极化熵结合混合GEV模型的全极化SAR潮间带区域地物分类方法