基于深度关系网络的小样本极化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 relation networks based on the statistic feature of polarimetric SAR data and spatial feature, which is suitable for polarimetric SAR data processing of small samples, to overcome the drawbacks that the feature extraction and labeled samples 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 relation networks. In order to improve the reliability and reduce the error rate of sample selection in semi-supervised learning process, we combine the the idea of candidate region selection and then proposed the semi-supervised polarimetric SAR classification based on pre-selection relation works to further improve 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样本标记和地物特征提取需要大量人力和更多经验的问题，研究适用于极化SAR数据处理中小样本问题的深度学习网络模型，提出结合极化SAR数据特性和空间信息的深度关系网络。在此基础上，针对小样本下极化SAR地物分类问题，结合半监督学习的思想，研究基于半监督关系网络的极化SAR地物分类方法。为降低小样本下半监督方法样本选择的不准确性，提高半监督学习过程中被选择样本的可靠性，结合候选区域选择的思想，提出基于预选择关系网络的半监督极化SAR地物分类方法，进一步提高小样本下极化SAR地物分类的正确率。研究方法将采用RADARSAT2和PLSAR的全极化SAR数据验证其有效性。

极化合成孔径雷达 (Synthetic Aperture Radar, SAR)是一种主动式微波遥感传感器，通过发射电磁波并接收散射回波信号对地物目标进行探测，具有全天时、全天候、多视角和多分辨率的特点，在遥感信息领域的作用也越来越重要，在自然灾害、城市规划、植被生长、地质勘探、军事探测和海洋监测等众多领域都有着广泛的应用。极化SAR地物分类作为极化SAR解译的重要研究内容，对于提高极化SAR遥感的应用水平具有重要的意义。但是极化SAR地物分类问题的一个难点就是缺少标记样本，这使得现有的大量深度学习方法在处理极化SAR问题中不具有很好的泛化能力，严重影响网络性能，极大的制约了深度学习在极化SAR分类问题的应用。本课题针对小样本下极化SAR影像种地物分类精度不高的问题，结合现有机器学习理论和方法，研究适用于极化SAR地物分类的深度学习方法，具体内容主要包括：(1)研究了小样本情况下的极化SAR地物分类问题，提出了基于小样本小的深度网络的极化SAR地物分类方法；(2)结合机器学习中的半监督学习思想，提出了针对基于半监督深度网络的极化SAR地物分类方法；(3)提出了基于协同关系网络的半监督极化SAR地物分类方法，提高小样本下极化SAR地物分类正确率，为极化SAR影像地物分类提供了新的研究思路和有效的解决办法，为遥感技术在国防、农业、海洋监视等领域的智能应用提供了技术支持。