面向高光谱影像分类的生成式对抗网络

发布时间：2021-09-19 00:18

　　为了提高高光谱影像分类精度,提出了一种基于生成式对抗网络的高光谱影像分类方法。生成式对抗网络由生成器、判别器和分类器3部分组成,其中生成器用于模拟高光谱样本的数据分布,生成特定类别的样本;判别器是一个二值分类器,用于判断输入的样本是否为真实数据;分类器用于对输入的样本进行分类。利用反向传播算法依次更新生成器、判别器和分类器的网络参数使损失函数最小,从而达到训练网络的目的。生成器和判别器能够模拟高光谱影像的样本分布来辅助训练分类器,因此能够提高高光谱影像的分类精度。分别采用Pavia大学和Salinas高光谱数据集进行分类试验,试验结果表明提出的分类方法能够在小样本条件下提高高光谱影像的分类精度。 

【文章来源】：测绘通报. 2020,(03)北大核心CSCD

【文章页数】：6 页

【部分图文】：

生成式对抗网络基本原理

为了利用GAN提高小样本条件下的高光谱影像分类精度，设计了如图2所示的GAN，该网络由生成器G、判别器D和分类器C组成。生成器G的输入为随机噪声z和其对应的类别c，输出为合成的光谱特征向量(生成数据);判别器与原始GAN中的判别器类似，用于判断输入数据是否为生成器合成的光谱特征向量;分类器输入为光谱特征向量(真实数据+生成数据)，输出为不同地物的类别标记。事实上GAN网络中的生成器和判别器可以为任意深层网络结构，本文GAN中的生成器G、判别器D和分类器C均采用4层的全连接网络。众所周知GAN难以训练，为了更加稳定地训练GAN，参照文献[14]在原始GAN损失函数的基础上引入参数梯度惩罚项GP(gradient penalty)，进一步结合分类器的损失函数形成最终的损失函数为

本文提出的GAN网络中的生成器G、判别器D和分类器C均采用4层全连接网络。为了便于分析网络结构对分类精度的影响，设置生成器G、判别器D和分类器C的隐藏层节点数相同，并分别设置隐藏层节点数为50、100、200、300、400、500、600、700和800，如图3所示，给出了两组高光谱数据集上对应的总体分类精度。由图3可知，过少的隐藏层节点数(如50)，会导致分类精度急剧下降，而过大的隐藏层节点数(如800)也会导致分类精度的降低。根据试验结果可知将隐藏层节点数设置为500～700较为合理，能够取得较高的分类精度，但隐藏层节点数量的增加会导致训练时间和测试时间的急剧增加，因此本文统一设置生成器G、判别器D和分类器C的隐藏层节点数为500。3.3 试验结果对比与分析


本文编号：3400619