基于生成式对抗网的极化SAR地物分类

The project is mainly about terrain classification using polarimetric SAR data with small samples. To be specific, this project studies the deep hierarchical feature learning network model and propose a deep hierarchical feature extraction method combining with the statistic feature of polarimetric SAR data, which is suitable for polarimetric SAR data processing, to overcome the drawbacks that the feature extraction and selection of polarimetric SAR data needs much more experience and money. Based on the method, we adopt the idea of a semi-supervised learning, and research the polarimetric SAR data semi-supervised classification method based on generator adversarial networks. Moreover, we combine the transfer learning and then proposed the semi-supervised transfer learning generator adversarial networks learning method for polarimetric SAR data, improving the classification accuracy of polarimetric SAR data using only small samples.. The effective of the method is verified on the RADARSAT2 and polarimetric SAR datasets.

本课题主要研究小样本下的极化SAR地物分类问题。针对极化SAR地物特征提取和选择需要更多经验和巨大的人力的问题，研究适用于极化数据处理的深度学习网络模型，提出结合极化数据统计特性的条件生成式对抗网络。在此基础上，针对小样本下极化SAR地物分类问题，采用半监督学习思想，研究基于生成式对抗网络的极化SAR半监督分类方法，结合迁移学习思想，提出极化SAR半监督迁移对抗网络学习方法，提高小样本下的极化SAR地物分类正确率。研究方法将采用RADARSAT2和PALSAR的全极化SAR数据验证其有效性。

本课题主要针对小样本下的极化 SAR 地物分类问题展开研究。针对如何在少量标记样本的情况下实现对极化SAR数据的有效特征学习和分类问题，构建了适用于极化SAR地物分类的卷积生成式对抗网络模型。基于生成对抗网络提出了半监督极化SAR分类方法，提出了针对小样本问题的基于空间加权的双通道卷积网络的极化SAR图像分类方法，在此基础上构建了基于空间信息的半监督对抗网络模型，提出了基于全卷积结构的半监督生成对抗网络。研究了基于极化数据统计先验的条件生成式对抗网络学习策略，提出了模糊超像素极化SAR分类方法，构造了基于超像素的条件生成对抗网络。针对困难样本挖掘问题，提出了指数损失函数，设计了基于三元组正则的半监督分类方法，引入注意力机制，提出了基于注意力机制学习的小样本极化SAR地物分类方法。研究了极化SAR半监督生成式对抗学习方法研究，提出了基于协同训练(co-training)的半监督极化SAR图像分类方法。针对生成样本无限制条件等问题，提出了一种条件生成对抗式网络的半监督分类方法。引入了虚拟对抗训练的思想，提出了基于Triplet-Ⅱ模型的极化SAR地物分类方法。研究了基于生成式对抗网络的极化SAR深度迁移学习方法，提出了面向小样本极化SAR地物分类的基于度量学习的K-shot学习模型。进一步针对极化SAR地物分类中的域适应问题，利用对抗学习的思想，提出了多子域感知的元学习方法针对目标域知识利用不够的问题，提出了基于多原型聚类的知识对齐方法。上述方法能够更好挖掘数据信息，能提高小样本下的极化SAR 地物分类正确率。研究成果共发表论文22篇，国家发明专利授权11项，依托本项目培养博士生2人，硕士生8人。圆满完成了本课题任务。