基于概率转移卷积神经网络的含噪标记SAR图像分类

• 作者: 崔世勇 张增辉 柳彬 赵娟萍 郁文贤 郭炜炜
• 来源期刊: 雷达学报
• 学科: 工学
• 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
• 年，卷（期）: 2017,（5）
• 所属期刊栏目: 论文
• 页码范围: 514-523
• 页数: 10页
• 分类号: TN957.52
• 字数: 5795字
• 语种: 中文
• DOI: 10.12000/JR16140

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(ProbabilityTransition 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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郁文贤	上海交通大学智能探测与识别上海市高校重点实验室	70	351	10.0	14.0
2	张增辉	上海交通大学智能探测与识别上海市高校重点实验室	12	37	4.0	6.0
3	郭炜炜	上海交通大学智能探测与识别上海市高校重点实验室	5	21	2.0	4.0
4	柳彬	上海交通大学智能探测与识别上海市高校重点实验室	7	85	6.0	7.0
5	赵娟萍	上海交通大学智能探测与识别上海市高校重点实验室	1	10	1.0	1.0