基于概率转移卷积神经网络的含噪标记SAR图像分类

合成孔径雷达(Synthetic Aperture Radar,SAR)图像分类是SAR图像解译的重要任务。以卷积神经网络(Convolutional Neural Networks,CNN)为代表的监督学习方法需要大量已标注的训练样本。然而对于SAR图像真值标注而言,由于SAR特殊的成像机理,图像受相干斑噪声、几何畸变和结构缺失等因素影响较为严重,非直观性较强,使得SAR图像人工标注非常困难,极易出错,从而导致CNN等模型学习和泛化性能急剧降低。针对这种含噪标记条件下的SAR图像分类问题,该文提出了一种基于概率转移模型的卷积神经网络(Probability Transition CNN,PTCNN)方法,该方法在传统CNN模型基础上,基于含噪标记与正确标记之间的概率转移模型,建立噪声标记转移层,这种新的卷积网络模型可潜在地校正错误标记,增强了含噪标记下分类模型的鲁棒性。与经典CNN等模型相比,在构建的16类SAR图像地物数据集和MSTAR数据集上的实验结果表明该文方法相比于经典CNN等模型,在保持SAR图像分类性能的同时具有较好的抗噪性,能够有效校正训练样本中的标注错误,从而降低了SAR图像有监督分类任务对样本标注质量的要求,具有一定的研究价值与应用前景。

曲线演化理论的建筑物要素简化方法

针对在制图综合中,建筑物要素的简化一方面应逐步去除细节以达到简化目的;另一方面应保持其直角、面积、位置等特征,以符合空间表达和认知的基本规律这一问题,该文基于曲线演化理论,通过构造曲线的演化函数,提出建筑物要素自动连续简化的方法。利用曲率演化的思想,使多边形形状逐步规则;利用常值演化的方法保持多边形的面积;利用角度和重心的定义,保持多边形的直角特征和位置。实验结果显示,提出的简化方法能在连续尺度上进行自动简化,能保证建筑物多边形的直角、面积、位置等特征。