面向任务生成对抗网络的极化SAR图像分类问题研究

Polarimetric Synthetic Aperture Radar (PolSAR) image classification is one of the hottest topics in the field of information science at home and abroad. With the rapid development of PolSAR platform, some new characteristics including high-resolution and large-scale, have appeared in PolSAR image, which lead to hard data-modeling and small-sample problem in the task of PolSAR image classification. To solve these problems, a specific Generative Adversarial Network (GAN) will be designed in this project, where the property of PolSAR data and GAN are tightly combined with each other and their advantages are fully used. It drops the traditional dependency on data hypothesis and is a powerful tool to mine the inherent information in PolSAR data. Moreover, considering the final task, a new type of GAN model named Task-Oriented GAN is proposed and used to solve the small-sample problem so that the classification task is well completed with little manual labor. With these researches, this project aims to accomplish PolSAR image classification with high-efficiency and high-accuracy, which pushes the application of PolSAR technology in national defense, agriculture, ocean monitoring and so on.

极化合成孔径雷达（Synthetic Aperture Radar，SAR）图像分类问题是信息科学领域的研究热点之一。随着极化SAR平台技术的发展，极化SAR图像具有了高分辨、大规模等新特点，其分类任务面临着数据建模困难、小样本问题严重等挑战。本课题拟采用数据特性和生成对抗网络（Generative Adversarial Network，GAN）紧密结合的方法，设计出与极化SAR数据相匹配的GAN模型，克服传统算法对数据假设的依赖性，为自主地挖掘极化SAR数据内在信息提供有力的工具；拟通过增加任务驱动的方式，构建一种新的网络架构——面向任务生成对抗网络（Task-Oriented GAN），用于解决小样本问题，力求在少量人力劳动的条件下较好地完成分类任务。本课题拟通过上述研究，满足对极化SAR图像进行高效、高精度分类的需求，大力推动极化SAR技术在国防、农业、海洋监视等领域的应用。

近年来，合成孔径雷达（Synthetic Aperture Radar，SAR）和光学遥感图像的分类、变化检测和检索等解译任务已成为信息科学领域中新的研究热点。基于此，本项目主要研究内容和关键结果有以下四个方面：.（1） 首先，研究了基于面向任务生成对抗网络的极化SAR图像分类问题；本项目将SAR的数据特性与生成对抗网络进行紧密结合，克服了传统算法对数据假设的依赖性，实现了自主挖掘极化SAR数据内在信息的能力；实验表明，此方法能够根据任务特点自主地学习相应特征，在手写体数据集和极化SAR图像均表现优异。.（2） 其次，研究了基于自适应图卷积网络的小样本问题；本项目构建了一种能够捕捉图像中不同像素点间结构信息的自适应图卷积，通过一个数据自适应核和一个空间自适应核，同时完成了数据和空间结构的双重描述；实验表明，此方法的分类效果提升了5-10个百分点。.（3） 再次，研究了基于分步策略的大场景遥感图像变化问题；本项目将不同的区域进行等级划分，分别对重点区域进行单独检测、对非重点区域进行联合检测，实现了高效率检测大场景遥感图像中变化地物的目的。.（4） 最后，研究了基于注意力机制的极化SAR图像变化检测问题；本项目模仿哺乳类动物视觉模式设计了注意力建议网络模块，通过循环卷积神经网络完成不同尺度的区域检测，实现了全局信息和局部信息的知识共享；实验表明，此方法的变化检测结果不仅能够得到较好的区域定位，也能够检测出变化区域的形状和边缘等细节信息。.此外，还研究了基于概率模型、深度哈希和三维卷积网络的无监督变化检测、图像检索和高光谱图像分类等智能处理方法。本项目从算法精确度、鲁棒性、执行效率等多个维度深入研究了遥感图像解译方法，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。