深度学习在SAR目标识别与地物分类中的应用

利用深度卷积网络从SAR图像中自动学习多层的特征表征，再利用学习到的特征进行目标检测与目标分类。将深度卷积网络应用于SAR目标分类数据集MSTAR，10类目标平均分类精度达到了99%。针对带相位的极化SAR图像，文章提出了复数深度卷积网络，将该算法应用到全极化SAR图像地物分类，Flevoland地物的分类精度达到了95%。
合成孔径雷达能够全天时、全天候、高分辨率成像，因此适用于目标的侦察、监视和识别，同时也已经被广泛应用于地球科学、气候变化研究、环境和地球系统监测、海洋资源利用、行星探测、战场感知侦察等领域，具有很高的民用和军用价值。
深度学习在模式识别的各领域都取得了较好的结果，比如，图像分类，目标检测，自然语言处理。常用的深度学习算法包括深度信念网络(DBN)、卷积神经网络(CNN），循环神经网络（RNN）。其中CNN是在计算机中视觉领域中采用的最多的算法，传统的图像分类问题分为特征提取与特征分类两个阶段，其中分类提取是依据统计或者物理特性成像原理、投影方向、视角等方面。因此借鉴计算机领域的新方法解决SAR图像解译的问题时，需要充分考虑和利用这些差异性。
地物分类是极化SAR应用的一个重要领域。传统的POLSAR图像分类算法通常可以分为三类：其一是基于散射矩阵的统计特性，另一种方法是基于内在的极化散射矩阵的统计特性，第三种方法是基于内在的极化散射机制特性。
根据经验，一般的CNN 即可直接应用于SAR幅度图像，仅需对SAR幅度图像做简单的预处理，如转化为dB尺度，并进行归一化等。但是对于多通道相干的SAR图像，如极化SAR或者干涉SAR ，其通道间相干相位差有着重要的信息。因此针对带相位信息的SAR图像，作者将CNN推广到复数域，称为复卷积神经网络。
注：文章选自《深度学习在SAR目标识别与地物分类中的应用》徐丰等