基于深度迁移学习的大规模高分辨率 SAR 图像分类
信号处理
2020-01-09 v1 计算机视觉与模式识别
摘要
对卫星获取的大规模高分辨率 SAR 土地覆盖图像进行分类是一项具有挑战性的任务,面临诸多困难,例如需要专业知识的语义标注、因成像参数变化或区域目标差异导致的数据特性改变,以及与光学成像不同的复杂散射机制。给定一个从 TerraSAR-X 图像收集的大规模 SAR 土地覆盖数据集,其具有 150 类分层三级标注并包含超过 100,000 个图像块,本文解决了高度不平衡类别、地理多样性和标签噪声这三大自动解译 SAR 图像的主要挑战。在本快报中,提出了一种基于类似标注的光学土地覆盖数据集(NWPU-RESISC45)的深度迁移学习方法。此外,引入了带代价敏感参数的 top-2 平滑损失函数以应对标签噪声与类别不平衡问题。所提方法在从类似标注的遥感数据集迁移信息方面表现出高效率,对高度不平衡类别具有鲁棒性能,并缓解了由标签噪声引起的过拟合问题。此外,所学深度模型对其他 SAR 特定任务具有良好的泛化性,例如 MSTAR 目标识别取得了 99.46% 的 SOTA 分类准确率。
引用
@article{arxiv.2001.01425,
title = {Classification of Large-Scale High-Resolution SAR Images with Deep Transfer Learning},
author = {Zhongling Huang and Corneliu Octavian Dumitru and Zongxu Pan and Bin Lei and Mihai Datcu},
journal= {arXiv preprint arXiv:2001.01425},
year = {2020}
}