论文部分内容阅读
极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)成像是遥感探测的重要手段,利用极化SAR图像对地物地形进行分类是SAR图像解译中的一项重要工作。近年来深度学习方法的使用使得极化SAR地物分类朝更精确和更快速的方向发展。但极化SAR数据存在典型的小样本问题,即有标记的样本非常稀少。现有深度模型的训练通常需要大量有标记样本,极化SAR数据有限的标记样本极大限制了深度学习方法在该问题上的应用。本文针对极化SAR地物分类的小样本问题,将Ⅱ模型应用到极化SAR图像地物分类中,并对基于Ⅱ模型的分类方法展开了研究。主要的研究成果有:1.基于Triplet-Ⅱ模型的极化SAR地物分类方法。Ⅱ模型采用卷积神经网络结构,通过给样本添加不同扰动和在网络结构中使用不同的dropout层使输出向量产生差异,并约束模型降低这种差异从而产生一致性预测。该模型的训练只需要少量有标记训练样本,同时借助大量无标记样本辅助训练,有效解决了小样本问题。但该模型忽略了样本点之间的相互关系,为此本文引入了度量学习中的三元组损失,在特征空间对样本特征加以约束,构建了基于三元组损失的Triplet-Ⅱ模型,有效提升了分类效果。2.基于VAT-Ⅱ模型的极化SAR地物分类方法。虽然加入三元组损失可提升模型的分类精度,但计算损失前需进行三元组挖掘,计算量较大。为此引入虚拟对抗训练的思想,通过最小化原始数据输入到模型中的输出概率与加噪数据输入到模型中的输出概率的分布差异得到虚拟对抗噪声,为输入样本添加这个噪声构成对抗样本,这个方法相当于自动生成难例,将这些样本加入训练能够使模型在提高分类效果的同时对噪声更加鲁棒。3.基于时序Ⅱ模型的极化SAR地物分类方法。Ⅱ模型有一个明显的缺点,就是在一个迭代周期内网络对同一个输入样本需进行两次评估,时间复杂度较高。本文通过时序组合的方法,让每一个当前迭代周期的预测结果都来自于之前迭代周期预测结果的加权累积,使每个迭代周期内网络不用训练两次,加速了模型的收敛。实验表明,在保证精确率的前提下,有效缩短了训练时间。