论文部分内容阅读
近年来,深度学习在计算机视觉、语音识别、自然语言处理等领域取得了令人惊异的进展,这些成功一般建立在大量有标签数据的基础之上。而在实际应用中,鉴于大量有标签数据难以获取,一般通过迁移学习或半监督学习的方式来应对特定问题下标签数据不足的情况,并取得了良好的效果。本文针对地物分类以及SAR海面风场反演实际问题,开展了迁移学习和半监督学习算法的应用研究,主要工作如下:(1)迁移学习算法实现及在地物分类中的应用。迁移学习是一种将在源领域中学习到的信息迁移到相关领域中来提高学习器性能的一种算法。目前自然图像有标签数据集如ImageNet容易获取,一些优异的深度学习模型如ResNet等在这些数据集上取得了超出人类水平的性能。考虑到自然图像与SAR图像虽然并不服从相同的分布,但也有着类似的空间相关性。我们通过逐层训练、整体微调等方式,研究实现了在ImageNet上完成训练的ResNet迁移到地物使用分类问题的相关算法,通过UC-Merced数据集测试,取得了96.19%的准确率。(2)半监督学习算法实现及在地物分类中的应用。实际应用中有标签的数据不易获取,但无标签数据往往容易获取,如何综合应用包含在少量有标签数据和大量无标签数据中的信息,即半监督学习,逐渐成为深度学习领域内的一个研究热点。我们利用DAE网络内部运算与卷积运算的相似性,将训练卷积的过程转化为利用无标签数据训练DAE的过程,实现了相关算法,并通过UC-Merced数据集验证了该算法的性能。(3)深度学习算法在SAR海面风场反演中的应用。针对SAR海面风场反演的应用实例,分别将上述实现的算法应用于SAR海面风场反演,通过相关数据集测试表明,半监督学习算法与迁移学习算法得到的风速误差都在4m/s以内,风向误差都在20°以内,且当这两种算法性能最好时,能够实现风速误差1.895m/s,风向误差15.754°的优良性能。