摘要: 极化SAR地物分类作为遥感图像解译的基础，成为遥感领域中重要的研究方向。近年来，深度学习引起了诸多学者的关注，也在不同领域获得了巨大的成功，然而深度学习需要大量的训练样本来保证网络的性能，而极化SAR领域存在标记样本缺乏的问题限制了深度... 展开 极化SAR地物分类作为遥感图像解译的基础，成为遥感领域中重要的研究方向。近年来，深度学习引起了诸多学者的关注，也在不同领域获得了巨大的成功，然而深度学习需要大量的训练样本来保证网络的性能，而极化SAR领域存在标记样本缺乏的问题限制了深度学习在该领域的应用。半监督学习可以在少量标记样本的情况下，利用大量无标记样本来提升模型的分类效果，因此，研究如何在半监督学习思想下结合深度学习的优势实现极化SAR地物分类具有重大意义。 本文在国家自然科学基金面上项目（基于协同半监督学习和稀疏表示的极化SAR地物分类，61173092），国家自然科学基金面上项目（基于生成式对抗网络的极化SAR地物分类，61771379）等项目的支持下，针对极化SAR地物分类的小样本问题，提出了一系列基于半监督梯形网络的改进方法，主要研究成果有： 1.提出了一种基于鲁棒梯形网络（Robust Ladder Network，RLN）的极化SAR地物分类方法。利用梯形网络在网络结构上的优势，将监督学习和无监督学习在理论层面相结合，从而更充分地利用无标记样本辅助模型学习。同时，为了获得更鲁棒的模型，从无监督学习的角度设计了稳定性损失函数，用来降低同一样本多次通过网络时输出向量的差异，并从监督学习的角度设计输出向量的互斥损失函数，从而构建了基于鲁棒策略的梯形网络，不仅解决了极化SAR地物分类中的小样本问题，也有效提升了模型的鲁棒性。最终通过实验验证了该方法的可行性与有效性。 2.提出了一种基于Wishart梯形网络（Wishart Ladder Network，WLN）的极化SAR地物分类方法。首先根据极化SAR数据服从的复Wishart分布推导Wishart度量距离，然后基于半监督学习的流形假设和Wishart距离在训练集上构建近邻图，定义Wishart梯形网络的目标函数，使用决策函数在近邻图上的平滑性作为正则项来优化模型。最后根据空间一致性假设，为极化SAR像素点引入邻域信息，在一定程度上降低了相干斑噪声的影响，有效提升了模型的分类效果。 3.提出了一种基于注意力机制和梯形网络（Attention Ladder Network，ALN）的极化SAR地物分类方法。现有方法对邻域信息的引入虽然会在一定程度上提升分类效果，但也带来了数据信息冗余，同时不可避免地引入噪声干扰。针对上述问题，本文方法基于注意力机制的思想，在梯形网络中分别设计了注意力编码器和注意力解码器，使模型在学习的过程中自动筛选出对当前任务有用信息，从而提取有注意力感知的特征，提高模型的学习效率。实验证明，该方法能够有效地提高模型的收敛性。 收起