空军工程大学学报

作者：赵明钧1,张琳琳2,李珅1,李琴3,肖强1

单位：1.93056部队,辽宁鞍山,114015;2.空军大连通信士官学校,辽宁大连,116600;3.空军工程大学信息与导航学院,西安,710077\

关键词：极化SAR图像分类;领域对抗网络;迁移学习

基金：陕西省自然科学基金(2024JC-YBQN-0699)

传统有监督的分类方法通常基于训练数据与测试数据概率分布一致的假设,在应对异源极化SAR图像所引发的领域差异问题时,暴露出显著局限性。针对这一挑战,创新性地提出了一种融合Cloude分解与深度领域对抗网络的极化SAR图像分类方法。该方法首先采用Cloude分解特征作为深度领域对抗网络的输入,通过DANN 的域分类器与类别分类器的对抗训练来提取领域不变特征,进而实现异源极化SAR图像分类。实验结果表明,所提方法有效克服了传统有监督方法在领域适应上的局限,在5幅实测极化SAR图像组成的2组迁移对比实验中相较于直接迁移的方法和以原始数据作为输入的DANN 方法总体分类精度获得了显著提升。

来源：2025年第6期

《空军工程大学学报》期刊编辑部

查看空军工程大学学报杂志2025年第6期