基于半监督学习的SAR图像场景语义分割方法研究.pdfVIP

摘要

摘要

合成孔径雷达（SyntheticApertureRadar,SAR）技术通过高级数字图像处理和

数据分析，可以在各种天气和光照条件下提取出图像中目标的位置、类别等关键

信息。然而SAR图像的解译一直是挑战性的任务，尤其是在数据量有限的情况下。

近年来，深度学习方法因其能够自动从数据中学习特征而成为SAR图像分析的主

流技术。但是深度学习对大量训练数据的依赖性，加之SAR图像获取的困难，限

制了其性能的发挥。在这种背景下，本文提出了基于半监督学习的SAR图像场景

语义分割方法研究，旨在克服数据获取难度大的问题，提高SAR图像分割的准确

性。本研究的主要内容和贡献包括：

（1）面对合成孔径雷达（SAR）图像语义分割中深度学习应用的主要障碍——

像素级标注的缺乏，本研究提出了一种半监督伪标注方法来克服标注样本不足的

问题。考虑到传统半监督学习方法在样本选择上可能引发的类别分布不均衡，导

致模型偏向特定类别而忽视其他类别的风险，本文引入主动学习策略。该策略通

过评估模型对未标记数据的不确定性，挑选出最具代表性和信息量的样本进行标

注，从而优化训练样本的选择过程。此外，针对半监督伪标注中常见的依赖于高

置信度预测的局限性，通过预测的熵值来区分可靠与不可靠的像素，并将不可靠

像素纳入由负样本构成的分类队列中，以确保模型能够利用所有候选像素进行学

习。通过结合主动学习和利用不可靠像素策略，本研究不仅有效应对了SAR图像

语义分割中的标注资源不足问题，还提高了模型在处理复杂SAR图像场景时的性

能，避免模型过度依赖简单样本。

（2）面对极化合成孔径雷达（PolSAR）图像分割中的挑战，特别是在特征提

取和大规模标注数据依赖方面，同时全极化SAR图像相较于普通SAR图像拥有

更多的极化信息。本研究提出了一个结合Haar小波变换和半监督记忆辅助学习

（MACNN）的创新方法。通过利用Haar小波变换，本方法有效提高了深度卷积神

经网络（CNN）对PolSAR图像中细微地表特征的提取能力，并降低了散斑噪声的

影响。同时，引入的MACNN策略通过记忆模块增强了模型在处理未标记数据时

的性能，这种机制不仅增强了模型对数据分布的理解，还通过利用未标记数据的

潜在信息，显著提升了模型在有限标注数据条件下的学习能力和分割性能，实现

了高效的半监督学习，有效应对了PolSAR图像处理中的关键挑战。

关键词：合成孔径雷达，图像分割，半监督学习,主动学习，小波变换

I

ABSTRACT

ABSTRACT

SyntheticApertureRadar(SAR)technology,capableofextractingkeytargetinfor-

mationlikelocationandcategoryfromimagesunderdiverseweatherandlightingcon-

ditionsthroughadvanceddigitalimageprocessinganddataanalysis,faceschallengesin

interpretation,especiallywithlimiteddata.Recently,deeplearninghasemergedasadom-

inanttechniqueforSARimageanalysis,offeringautomaticfeaturelearningfromdata.

However,itsperformanceisconstrainedbytherelianceonextensivetrainingdatasets

andthedifficultyinacquiringSARimages.Inthiscontext,thisthesisintroducesastudy

onsemanticsegmentationforSARimagesusingsemi-supervisedlearningtoaddre