用于极化 SAR 图像分类的半监督复值 GAN
图像与视频处理
2019-06-11 v1 计算机视觉与模式识别
摘要
极化合成孔径雷达（PolSAR）图像广泛应用于灾害检测与军事侦察等领域。然而，其解译面临一些挑战，例如标注数据匮乏、数据信息利用不充分等。本文首次提出一种复值生成对抗网络（GAN）以解决这些问题。模型的复数形式符合 PolSAR 数据的物理机制，有利于利用并保留 PolSAR 数据的幅度与相位信息。将 GAN 架构与半监督学习相结合以应对标注数据匮乏问题。GAN 扩充训练数据，半监督学习用于以生成数据、标注数据与未标注数据训练网络。在两个基准数据集上的实验结果表明，我们的模型优于现有最先进模型，尤其在标注数据较少的条件下。
引用
@article{arxiv.1906.03605,
title = {Semi-supervised Complex-valued GAN for Polarimetric SAR Image Classification},
author = {Qigong Sun and Xiufang Li and Lingling Li and Xu Liu and Fang Liu and Licheng Jiao},
journal= {arXiv preprint arXiv:1906.03605},
year = {2019}
}