迁移学习用于多时相极化SAR影像的水体提取

摘要：

基于机器学习分类器的极化合成孔径雷达(synthetic aperture radar,SAR)影像水体提取方法具有较高的可靠性,但其通常依赖于大量的训练样本,利用该方法进行多时相极化SAR影像的水体提取时,在每一景影像上都人工标注足够数量的训练样本是十分困难且耗时的.同时,SAR影像上固有的相干斑点噪声会进一步加剧样本标注的难度.对此,引入迁移学习方法,利用其知识迁移能力将已有的训练样本的类别标签信息迁移至未标注的样本,以降低获取新样本所需的人工代价,提高水体提取的时效性.使用6景极化SAR影像和4种迁移学习方法进行最佳源域影像选取、样本标签迁移和水体提取实验,实验结果表明,迁移学习方法可以准确地将源域影像上的训练样本的标签信息迁移至其他影像,有效减少其他影像进行水体提取需要的人工标注样本的数量,同时能够维持较高的水体提取精度,在洪涝灾害应急响应中具有一定的应用价值.

关键词：机器学习、极化SAR、水体提取、多时相影像、迁移学习

所属期刊栏目：47

分类号：P237;P208(摄影测量学与测绘遥感)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;深圳市科技计划项目

在线出版日期：2022-08-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1093-1102