【最新成果】基于半监督空间-通道选择性卷积核网络的极化SAR图像地物分类
中国科学院空天信息创新研究院王岩飞研究员团队提出了一种基于半监督空间-通道选择性卷积核网络的极化SAR图像地物分类方法。该方法在使用较少人工标注的情况下，有效地提升了深度学习模型对极化SAR图像中不同地物的分类性能。该论文已在《雷达学报》网络优先出版。
背景介绍
极化合成孔径雷达 (Polarimetric Synthetic Aperture Radar, 极化SAR)是一种主动微波遥感探测技术，能够获得地球表面的多通道后向散射回波信息，具有全天时全天候对地成像能力。
极化SAR图像地物分类是极化SAR图像解译任务的基础，在城市规划、海洋、森林环境调查和灾害评估等很多实际应用中都起到了重要作用。近年来，以卷积神经网络为代表的深度学习算法表现出了超越传统机器学习算法的优异性能，在极化SAR图像地物分类领域受到了广泛关注。基于全监督训练方式的深度学习算法通常需要大量精确标注的训练样本。由于极化SAR图像的标注依赖于专家知识和大量的人力劳动，获取大量极化SAR图像的精确标注的代价较为昂贵，这也成为了限制极化SAR图像地物分类算法分类性能提升的瓶颈。
团队工作
中国科学院空天信息创新研究院王岩飞研究员团队提出了一种基于半监督空间-通道选择性卷积核网络的极化SAR图像地物分类方法，通过利用空间-通道选择性卷积核网络以提升模型对不同地物类型的分辨能力，并利用半监督学习方法扩充标注样本集以提高模型分类性能和标注样本使用效率。
该文提出的空间-通道选择性卷积核全卷积网络（Spatial-Channel Selective Kernel Fully Convolutional Network, SCSKFCN）采用了空间-通道选择性卷积核单元(Spatial-Channel Selective Kernel Unit, SCSK Unit)，使用通道注意力和空间注意力对不同感受野的特征进行加权融合，提升了模型对不同尺寸目标的分类能力。SCSKFCN的结构如图3所示。
图4 预选-联合优化算法流程图
论文介绍
该文使用的SCSK单元首先对输入特征提取感受野大小分别为3和5的特征，再依次求解通道注意力、空间注意力作为融合权重，并分别对两种感受野的特征进行加权求和，以实现在每一个像素上对两种感受野的特征进行融合，提升了模型的分辨能力。SCSK单元的结构如图5所示。
(a) SCSK单元整体架构
(b) 通道注意力模块
(c) 空间注意力模块
图5 SCSK单元结构
在模型的优化过程中，联合优化算法对由预选过程得到的伪标签样本进行两步验证。两步验证过程分别由预测类别验证和预测概率验证构成。联合优化算法在每一步参数更新的过程中，使用真实标注样本和通过验证的伪标签样本，计算交叉熵损失函数，并对SCSKFCN的参数进行优化，提升了真实标签样本的利用效率。联合优化算法的流程图如图6所示。在Flevoland和Oberpfaffenhofen两个真实数据集上，该文所提方法分别使用1%和0.2%的真实标注样本，获得了99.24%和97.51%的全局精度。
作者简介
王睿川，男，四川绵阳人，中国科学院空天信息创新研究院博士研究生，研究方向为SAR和极化SAR图像分割和解译、目标检测和识别等。
王岩飞，男，辽宁沈阳人，中国科学院空天信息创新研究院研究员，博士生导师，主要研究方向为微波成像雷达理论方法及应用、数字信号处理等。
编辑：周其玉 程东阳
本号发布信息旨在传播交流，其内容由作者负责，不代表本号观点。如涉及文字、图片、版权等问题，请在20日内与本号联系，我们将第一时间处理。《雷达学报》拥有最终解释权。