论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,POLSAR)是一种主动式微波雷达成像技术,它通过多通道来获取地物信息再进行成像,因此获得的极化SAR数据包含地物的极化信息更加丰富。极化SAR地物分类也一直是雷达图像解译的一个重要的研究方向。近些年来,深度学习算法得到了人们广泛的关注,尤其是在图像分类和识别领域已经得到了广泛的运用。本文在国家自然科学基金面上项目(基于协同半监督学习和稀疏表示的极化SAR地物分类,61173092),国家自然科学基金面上项目(基于生成式对抗网络的极化SAR地物分类,61771379)等项目的支持下,在AC-GAN(Conditional Image Synthesis With Auxiliary Classifier GANs)的基础上,提出了半监督分类的方法。本文主要的工作点有:1.基于半监督AC-GAN的极化SAR地物分类方法。由于极化SAR数据含有较多的噪声,所以要求训练的分类器必须更加鲁棒。而生成式对抗网络(Generative adversarial networks)基于零和博弈的思想,让网络的生成器G和判别器D在互相竞争中不断提高,这样得到的判别器D也更加鲁棒。通常极化SAR数据标记比较困难,常常会面临小样本的问题,所以我们对AC-GAN网络进行改造,得到一种新的半监督网络。实验表明这个新的网络可以用较少的带标签样本和大量无标签样本去同时训练,并且能够得到较好的分类结果。2.将多尺度的卷积神经网络和半监督AC-GAN结合起来。之前的分类方法大多是基于单个像素点的,很少考虑到图像的邻域信息,然而邻域信息对提升分类结果有很大的帮助。因此,我们把卷积神经网络引入到半监督AC-GAN模型中,对像素选取其附近固定大小的邻近区域来表征该像素,把该像素的类标作为这个邻域块的标签,然后训练整个网络。与此同时,在同一个卷积层中用多个大小不同的卷积核去提取特征,使得网络的深度和宽度都有所提高。通过实验证明,使用邻域信息和多尺度卷积可以更好的提升模型的分类能力。3.将Wasserstein距离和半监督AC-GAN结合起来。由于原始的GAN存在训练不稳定、生成器多样性不足、模型容易崩塌等问题。通过分析原始GAN的代价函数,发现产生这些问题的根源,然后引入Wasserstein距离,并将其应用到半监督AC-GAN网络的损失函数中。实验表明,该模型的收敛速度更快,训练更加稳定,分类结果也得到了进一步的提升。