基于概率转移卷积神经网络的含噪标记SAR图像分类

被引：11

作者：

赵娟萍 ^{[1
]}

郭炜炜 ^{[1
]}

柳彬 ^{[1
]}

崔世勇 ^{[2
]}

张增辉 ^{[1
]}

郁文贤 ^{[1
]}

机构：

[1] 上海交通大学智能探测与识别上海市高校重点实验室

[2] 德国宇航局遥感技术研究所

来源：

雷达学报 | 2017年 / 6卷 / 05期

基金：

国家自然科学基金重点项目;

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;

D O I：

暂无

中图分类号：

TN957.52 [数据、图像处理及录取]; TP183 [人工神经网络与计算];

学科分类号：

080904 ; 0810 ; 081001 ; 081002 ; 081105 ; 0825 ; 081104 ; 0812 ; 0835 ; 1405 ;

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(Probability Transition 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。

引用

页码：514 / 523

页数：10

共 25 条

[1] Semantic annotation in earth observation based on active learning [J].

Cui, Shiyong ;

Dumitru, Corneliu Octavian ;

Datcu, Mihai .

INTERNATIONAL JOURNAL OF IMAGE AND DATA FUSION, 2014, 5 (02) :152-174

[2]

SAR ATRbased on dividing CNN into CAE and SNN. Li Xuan,Li Chun-sheng,Wang Peng-bo,et al. 2015 IEEE5th-Asia-Pacific Conference on Synthetic Aperture Radar . 2015

[3]

A survey of density estimation for SAR images. Singh J,Cui S,Datcu M,et al. 20th European of Signal Processing Conference (EUSIPCO) . 2012

[4]

Spatial pyramid pooling in deep convolutional networks for visual recognition. He K,Zhang X,Ren S, et al. Pattern Analysis and Machine Intelligence, IEEE Transactions on . 2015

[5]

Convolutional neural network for SAR image classification at patch level. Zhao J,Guo W,Cui S,et al. International Geoscience and Remote Sensing Symposium (IGARSS) . 2016

[6]

LIBSVM[J] . Chih-Chung Chang,Chih-Jen Lin. &nbspACM Transactions on Intelligent Systems and Technology (TIST) . 2011 (3)

[7]

Imagenet classification with deep conv olutional neural networks. Krizhevsky A,Sutskever I,Hinton G.E. Advances in Neural Information Processing Systems . 2012

[8]

Class Noise vs. Attribute Noise: A Quantitative Study[J] . Xingquan Zhu,Xindong Wu. &nbspArtificial Intelligence Review . 2004 (3)

[9]

Vehicle detection in satellite images by hybrid deep convolutional neural networks. CHEN Xueyun,XIANG Shiming,LIU Chenglin,et al. IEEE Geoscience and Remote Sensing Letters . 2014

[10]

Convolutional neural net-work with data augmentation for SAR target recognition. DING J,CHEN B,LIU H,et al. IEEE geoscience and remote sensing letters . 2016

← 1 2 3 →