卷积神经网络和深度置信网络在SAR影像冰水分类的性能评估

（图片来源：网络）

引用格式

黄冬梅, 李明慧, 宋巍, 等. 卷积神经网络和深度置信网络在SAR影像冰水分类的性能评估[J]. 中国图象图形学报, 2018, 23(11): 1720-1732.

DOI: 10.11834/jig.180226

导语：海冰分类是海冰监测的主要任务之一，合成孔径雷达（SAR）是海冰分类的重要工具。本文以卷积神经网络（CNN）和深度置信网络（DBN）的SAR影像冰水分类为例，通过与传统SVM，K-means方法的分类性能对比，探讨了深度学习模型用于SAR影像海冰分类的可行性。

论文看点

依据CIS冰蛋图构建了SAR影像海冰分类数据集，设计了两种不同学习机制的深度学习模型：CNN和DBN。通过与传统的SVM和K-means方法对比，表明了深度学习方法的可行性和优越性。具体包括：

（1）将两种不同机制的典型深度学习网络：卷积神经网络和深度置信网络应用于SAR影像海冰分类，并对两种网络的分类性能进行评估；分析了网络参数对SAR影像海冰分类的性能影响。

（2）总结了一套使用深度学习方法对SAR影像海冰分类的完整实验流程。

（3）对比传统SAR影像海冰分类方法，提供了一种使用深度学习方法进行海冰分类的新思路，缩短了现有海冰解译图制作流程，能够提供更精准的海冰类型地理位置分布信息。

专家推荐

论文针对传统SAR影像海冰分类方法存在的问题，结合成熟的深度学习技术，总结了一套使用深度学习方法进行SAR影像海冰分类的完整实验流程，尝试将两种不同机制的典型深度学习方法用于SAR影像海冰分类；通过与传统分类方法结果对比说明了深度学习技术在SAR影像海冰分类的潜力。

本文方法

本文设计了CNN和DBN两种网络结构进行SAR影像海冰分类研究。

图1 哈德逊湾每周冰蛋图

图2 不同海冰类型和部分标注图像样本

图3 哈德逊湾的地理位置和SAR影像数据集

首先以均方误差（MSE）为标准，讨论了CNN、DBN网络与传统的SVM、K-means方法的分类结果。

然后以查准率、查全率、F1、Kappa系数、总体准确率作为分类性能评价指标，从训练样本尺寸、海冰冰水比率、滤波器尺寸、数据集大小、网络层数、卷积核大小对两种网络的分类性能进行了细致分析。

本文结果

CNN和DBN两种模型的总体分类准确率达到93%以上，Kappa系数0.8以上，根据分类结果得到的海冰区域密集度与CIS的冰蛋图海冰密集度数据一致。海冰的训练样本尺寸对分类结果影响显著，而训练集大小以及网络层数的影响较小。在本文的实验条件下，CNN和DBN网络的最佳分类样本尺寸分别是16x16和32x32像素。

图4 不同训练样本尺寸的分类结果指标

图5 不同训练样本尺寸分类结果在SAR影响上的 可视化

图6 CNN和DBN在测试图像不同含冰比率下的分类结果指标

通过本文两种经典的深度学习模型的性能评估，可以看到深度学习模型在海冰分类上的巨大潜力。

对比SVM等一些传统分类方法，基于深度学习的SAR影像海冰分类不必提前设计特征，对不同的SAR数据产品具有更强的鲁棒性和迁移能力。

对比CIS冰蛋图的复杂制作流程和粗范围海冰类别标注信息，基于深度学习的SAR影像海冰分类方法可以提供更加方便、实时、具体的海冰解译图。

由于SAR影像本身的分辨率不同，得到的最佳分类样本尺寸也会不同，通过选取不同来源的SAR影像进行对比研究将会是未来的研究内容。

作者简介

实验室简介

上海海洋大学数字海洋研究所始建于2008年，是一支由计算机、数学、海洋科学等多学科背景组成的中青年团队，多次承担国家防灾减灾能力建设重大专项、国家科技部海洋专项、国家科技部极地专项、国家科技部973重大专项等重大科研任务。研究所围绕多粒度海洋数据空间构建、海量环境信息深度挖掘、海洋环境态势与监测三大难题，全链条式地开展多源海洋数据融合、基于计算视觉的海洋要素分析、多模型协同并算、可视化与系统集成等基本理论和应用技术研究；搭建了我国涉海高校首个“海洋大数据云计算”平台；主编专著《海洋大数据》；研究成果“海洋环境信息协同并算关键技术及重大工程应用”获2015年上海市浦东新区科学技术一等奖；“风暴潮灾害时空大数据的协同处理技术及重大工程应用”获2016年上海市科学技术二等奖。