复数域生成式对抗网络在极化SAR地物分类中的研究

This project mainly aims to research the terrain classification of POLSAR (Polarimetric Synthetic Aperture Radar) image, which has two issues including lacking labeled samples and increasing data. In view of the first issue, this project intends to use GAN (generative adversarial network) for expanding labeled samples effectively. With the character of POLSAR complex-valued data, this project proposes complex-valued GAN. With the other character of POLSAR data distribution, this project proposes multi-conditional GAN learning strategy by adopting data distribution character and a little labeled samples. The pseudo-samples generated by the improved GAN which constructed by the above two routes is much reliable. In view of the second issue, this project intends to apply the idea of full CNN (convolutional neural network) to speed up POLSAR image terrain classification, which combing with the above complex-valued multi-conditional GAN. The classification model proposed by this project, belongs to semi-supervised learning. This project has the following contributions, which not only improving classification accuracy, but also speeding up terrain classification of POLSAR data effectively.

本项目主要研究标签样本缺失和大数据量情况下的极化合成孔径雷达（Synthetic Aperture Radar，SAR）地物分类问题。针对极化SAR标签样本缺失问题，本项目拟采用两条路线构建可有效扩充标签样本的生成式对抗网络模型：考虑到极化SAR数据的复数特性，提出复数域的生成式对抗网络；考虑到极化SAR数据的分布特性，通过将数据分布作为先验条件以及合理利用少量标签样本，提出多条件生成式对抗网络学习策略。通过上述两条路线构建的生成网络模型生成的伪样本更具可靠性。针对数据量日益增大情况下的极化SAR地物分类速度问题，拟采用全卷积神经网络的快速分类思想，提出结合复数多条件生成式对抗网络的快速极化SAR地物分类算法，达到提升地物分类速度的目的。本项目提出的分类模型属于半监督学习范畴，该模型不仅可有效提升极化SAR地物分类的准确率，还可有效提高地物分类的速度。

随着大数据时代的到来，全球遥感数据量日益剧增，其中极化SAR数据解译成为近些年的研究热点。基于深度学习的极化SAR地物分类的准确率受训练样本影响很大，分类效率受到模型限制，并且现有的研究未能充分考虑极化SAR数据的特殊性。针对极化SAR数据标签样本缺失和数据特点，本项目展开了基于深度学习的极化SAR地物分类算法研究。针对标签样本缺失问题，采用半监督循环卷积网络和生成对抗网络模型达到扩充标签样本的目的。针对极化SAR数据特点，采用复数域深度神经网络充分挖掘数据的复数特点和统计特性，采用双通道网络模型提取数据在不同尺度下的分类特征，达到提高分类精度的目的。针对大数据量情况下的极化SAR地物分类问题，采用全卷积神经网络与Unet模型达到点对点的分类目的，同时采用深度可分离卷积可以有效减低网络的计算复杂度，进而提升分类模型的训练速度。项目主要针对五组真实的极化SAR地物数据进行仿真实验。研究成果可以用于极化SAR地物分类研究中，为提升极化SAR地物分类精度和效率提供了一定的理论支撑，具有良好的社会效益。