基于复值卷积神经网络样本精选的极化SAR图像弱监督分类方法.pdf

极化合成孔径雷达（PolSAR）图像弱监督分类是一种在有限的标注数据下进行图像分类的技术，尤其适用于遥感图像分析。传统的全监督分类方法需要大量的精确像素级标注，这在实际应用中往往难以获取。基于复值卷积神经网络（CV-CNN）的样本精选方法旨在解决这个问题，通过迭代精选物体框标注样本，减少异质成分，提高分类的准确性和效率。 复值卷积神经网络是深度学习领域的一个分支，专门处理复数数据，如极化SAR图像。在极化SAR图像中，复数信息包含了丰富的极化特性，可以提供更全面的目标信息。CV-CNN通过学习这些复数特征，能够更好地理解图像内容并进行分类。 该方法首先利用CV-CNN对带物体框标注的样本进行迭代处理。在每个迭代步骤中，网络会学习并优化特征表示，逐渐剔除那些含有异质成分的样本，即不完全属于同一类别的样本。这个过程有助于提升模型的泛化能力，因为模型只会在纯净的样本上进行学习，从而避免了因异质样本导致的分类错误。 同时，通过这个迭代精选的过程，CV-CNN模型自身也在不断训练和完善，最终得到一个可以直接用于分类的预训练模型。这个模型能够在极化SAR图像分类任务中发挥高效作用，因为它已经学会了如何从复数特征中提取关键信息。 实验部分，研究者使用了三幅实际的极化SAR图像来验证该方法的有效性。结果显示，与传统全监督分类方法相比，该方法在剔除异质样本后，分类结果显著改善。此外，CV-CNN的表现优于经典的支持向量机（SVM）和Wishart分类器，这表明CV-CNN在处理复数数据时具有更强的表达能力和分类能力。 总结来说，基于复值卷积神经网络的样本精选方法为极化SAR图像的弱监督分类提供了一个新的解决方案。这种方法减少了对大量标注数据的依赖，提高了分类的准确性，并且在实际应用中展现出优于传统机器学习算法的性能。对于遥感图像分析和目标识别领域，这种技术的进步有望推动极化SAR图像处理的自动化和智能化。