深度学习和SAR应用-Deep Learning and SAR Applications

使用CNN从Sentinel-1数据中分类海冰深度

虽然使用神经网络进行SAR数据分类并不新鲜，但自2015年引入完全卷积神经网络以来，土地覆盖分类的深度学习应用似乎已大大增加。已经有很多研究探索使用CNN对公共土地覆盖进行分类的可行性，如道路，建筑物，洪水，城市地区和农作物。深度学习也被用于一些有趣的非典型土地覆盖（或水覆盖）应用，如识别石油泄漏并对不同厚度的海冰进行分类。通常，深度学习的使用优于传统方法，但在时间和计算成本方面可能不会更有效。与所有监督学习技术一样，性能高度依赖于训练样本数据的质量。

UAVSAR数据中的城市变化

高分辨率，高频次监测的SAR数据特别适合于变化监测应用，因为它能够透视云并捕获幅度的变化以及相位相干性。我惊讶地发现，已经有大量的研究在SAR数据中使用深度神经网络进行变化检测。与CNN占主导地位的目标识别不同，已经有多种神经网络方法用于解决识别SAR数据中的表面变化的问题。通常，这些方法要么依赖于对多组时间序列中的土地覆盖进行分类，然后比较分类后的结果，要么对多组时间数据之间的辐射度或相位差进行分类。

迄今为止，使用深度学习方法分析干涉图或支持InSAR处理方面，似乎没有太多研究。然而，有证据表明在这一领域，早期研究使用CNN 进行相位解缠工作，并在InSAR加工链中整合深度学习方法。在将深度学习方法应用于相位解缠方面，似乎还有一些更广泛的空间。

利用GAN从SAR图像生成高质量可见图像

已经有一些研究将CNN和生成对抗网络（GAN）应用于SAR数据增强和数据融合中的应用。这是一个极有价值的研究领域，也有利于目标识别，可以使用CNN来估计和减少SAR数据中的斑点噪声。结果是通过单个前馈过程产生的“干净”SAR图像。还可以使用GAN来改善SAR数据的分辨率。

另外在一些文献中，有从Sentinel-1分辨率到TerraSAR-X分辨率的图像转换示例。 虽然这些方法似乎不能很好地保留特征结构，但它们是对SAR的超分辨率和样式转换带来了有趣的应用点。同时，也可以使用GAN通过去斑和着色使高分辨率SAR数据看起来更像光学图像，这有助于SAR图像的视觉解释。 现在有新的数据集可以帮助推进这类工作和其他需要SAR和光学数据融合的应用。

当回顾有关这些应用的文献时，一个共同的挑战是显而易见的：缺乏高质量的SAR训练数据，特别是在高分辨率下。与所有监督学习方法一样，模型和结果的性能高度依赖于训练数据输入。最常用的高质量训练数据集是MSTAR数据集，但这仅包含有限数量的军事特征。其他研究人员已经开始创建他们自己的注释训练数据集，但是由于高分辨率源数据的选择有限，因此建立自己的数据集的成本非常高，而且很少有具有开放许可证的人（例如UAVSAR））。有一些方法可以通过模拟来增强训练数据，但仍需要合理的数据集作为起点。