面向任务的生成对抗网络在极化合成孔径雷达图像分类与聚类中的应用

摘要： 基于生成对抗网络（GAN），本文提出了一种名为任务导向型GAN的新版本，用于解决极化合成孔径雷达（PolSAR）图像解译中的难题，包括PolSAR数据分析和样本量不足问题。除GAN中典型的生成器（G-Net）和判别器（D-Net）两部分外，任务导向型GAN还包含第三部分——任务网络（T-Net），其用于完成特定任务。本文研究了PolSAR图像分类与聚类两项任务，其中T-Net分别作为分类器和聚类器。任务导向型GAN的学习过程分为两个主要阶段：第一阶段中，G-Net与D-Net像常规GAN那样相互博弈；第二阶段中，通过T-Net调整并引导G-Net，从而生成更多有利于任务的样本（称为伪数据）。因此，任务导向型GAN不仅具备GAN的优势（无假设数据建模），还克服了GAN的缺陷（无任务导向）。学习完成后，伪数据被用于扩充训练集以避免过拟合，使得该方法即使在人工标注数据较少时仍表现良好。为验证T-Net的有效性，文中提供了可视化对比，展示了任务导向型GAN与常规GAN生成的伪数字样本。此外，考虑到PolSAR数据与常规数据的显著差异，在PolSAR图像分类与聚类任务中，我们将特定的PolSAR信息嵌入任务导向型GAN结构中。这使得研究人员无需任何数据假设即可挖掘PolSAR数据的内在信息，同时解决小样本问题。在三个PolSAR图像上的实验结果表明，所提方法在处理PolSAR图像分类与聚类任务时表现优异。