基于弱监督集成和稀疏特征学习的高分辨率SAR影像地物分类

SAR imagery terrain classification is a key step in SAR imagery interpretation and understanding. For the problems in SAR imagery such as complex scene, variable structures, inter-class similarity, intra-class variability and the unavailability of ground truth, in this project, these problems will be solved from the following four aspects. Firstly, by exploring the principle of SAR imaging and the scattering characteristic of terrains, a sparse model will be established based on the scattering characteristic. Furthermore, based on this and the visual saliency model, a semantics feature learning model is established to cope with the inter-class similarity and the intra-class variability in SAR imagery. Next, to tackle the unavailability of ground truth, a framework of label updating will be designed based on weakly supervised learning. Finally, to avoid the over-fitting in the single sparse model in SAR imagery terrain classification, inspired by the spirit of ensemble learning, a framework of SAR terrain classification will be proposed based on the ensemble sparse model. The principle of sparse learning and weakly supervised ensemble learning will be promoted, while the classification performance is being improved.

SAR影像地物分类是SAR影像理解与解译过程中一项关键的任务。针对高分辨SAR 影像中场景复杂、结构多样、“同物异谱、同谱异物”，以及真实地物类别信息缺失等问题，本项目拟从以下四方面对这些问题进行深入研究。通过对SAR影像成像机理和不同地物的散射特性进行研究，建立了基于SAR影像散射特性的稀疏表示模型，同时以该模型为基础，结合视觉显著性理论，建立基于视觉显著性的SAR影像语义特征学习模型，以解决SAR影像中“同物异谱、同谱异物”的问题；针对SAR影像地物类别信息不足的问题，设计一种基于弱监督学习的地物信息类标更新框架；为了防止单一稀疏模型在地物分类中过拟合，我们引入集成学习思想，建立基于集成稀疏学习的SAR影像地物分类算法框架。本项目在提高高分辨SAR图像地物分类效果的同时，能进一步完善和促进稀疏学习和弱监督集成学习理论的研究和应用。

本课题围绕多时相SAR图像变化检测、分析展开深入系统的研究。为获取鲁棒的SAR图像地物特征，本课题首先引入稀疏表示理论，提出了基于稀疏表示的SAR图像特征表示方法，并用于研究相干斑噪声对SAR图像变化检测的影响。在此基础上，引入本课题引入深度学习理论，提出了基于PCA-Net的SAR图像变化检测算法、基于轻量级的深度神经网络的SAR图像变化检测算法，基于金字塔池化卷积网络的SAR图像变化检测算法; 为获得精准的多时相SAR图像的差异信息，本课题引入了测度学习理论并提出了基于测度学习的SAR图像差异性度量算法，并用于多时相SAR图像变化检测，在此基于上结合深度卷积网络，提出了基于孪生网络的SAR图像变化检测算法; 为提高SAR图像变化检测的效率，本课题对集成学习理论进行研究，提出了基于最大化个体多样性准则的权重自适应集成学习算法，在此基础上提出了基于深度随机语义森林的SAR图像变化检测算法。