赵娟萍 郭炜炜 柳 彬 崔世勇 张增辉* 郁文贤

①(上海交通大学智能探测与识别上海市高校重点实验室 上海 200240)

②(德国宇航局遥感技术研究所 德国韦斯灵 82234)

基于概率转移卷积神经网络的含噪标记SAR图像分类

赵娟萍①郭炜炜①柳 彬①崔世勇②张增辉*①郁文贤①

①(上海交通大学智能探测与识别上海市高校重点实验室 上海 200240)

②(德国宇航局遥感技术研究所 德国韦斯灵 82234)

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。……