基于概率轉移卷積神經網絡的含噪標記SAR圖像分類

趙娟萍 郭煒煒 柳 彬 崔世勇 張增輝* 郁文賢

①(上海交通大學智能探測與識別上海市高校重點實驗室 上海 200240)

②(德國宇航局遙感技術研究所 德國韋斯靈 82234)

基于概率轉移卷積神經網絡的含噪標記SAR圖像分類

趙娟萍①郭煒煒①柳 彬①崔世勇②張增輝*①郁文賢①

①(上海交通大學智能探測與識別上海市高校重點實驗室 上海 200240)

②(德國宇航局遙感技術研究所 德國韋斯靈 82234)

合成孔徑雷達(Synthetic Aperture Radar, SAR)圖像分類是SAR圖像解譯的重要任務。以卷積神經網絡(Convolutional Neural Networks, CNN)為代表的監督學習方法需要大量已標注的訓練樣本。然而對于SAR圖像真值標注而言，由于SAR特殊的成像機理，圖像受相干斑噪聲、幾何畸變和結構缺失等因素影響較為嚴重，非直觀性較強，使得SAR圖像人工標注非常困難，極易出錯，從而導致CNN等模型學習和泛化性能急劇降低。針對這種含噪標記條件下的SAR圖像分類問題，該文提出了一種基于概率轉移模型的卷積神經網絡(Probability Transition CNN, PTCNN)方法，該方法在傳統CNN模型基礎上，基于含噪標記與正確標記之間的概率轉移模型，建立噪聲標記轉移層，這種新的卷積網絡模型可潛在地校正錯誤標記，增強了含噪標記下分類模型的魯棒性。與經典CNN等模型相比，在構建的16類SAR圖像地物數據集和MSTAR數據集上的實驗結果表明該文方法相比于經典CNN等模型，在保持SAR圖像分類性能的同時具有較好的抗噪性，能夠有效校正訓練樣本中的標注錯誤，從而降低了SAR圖像有監督分類任務對樣本標注質量的要求，具有一定的研究價值與應用前景。……