基于生成对抗网络的遥感图像场景分类研究

发布时间：2020-07-21 14:15

【摘要】：遥感图像分类有着重要的应用需求,被广泛应用于自然灾害检测、土地资源利用与覆盖管理等。基于深度特征学习的方法由于能够自动提取特征,不需要大量工程技能和领域专家知识,而且通过多层提取可以学习到更好的特征表达,因此成为研究热点。生成对抗网络(GAN)作为近年来最具潜力的深度学习方法,将其引入遥感图像分类领域是一个新的思路。采用合适的数据增广方法和提高判别器的特征提取能力是开展图像分类研究的关键技术与难点,本文以GAN理论为基础,针对遥感图像场景分类提出了更具泛化性能的分类模型。主要研究内容包括:分析了现有遥感图像数据集的局限,以及分类方法存在的不足,指出其数据集较小,以及由于本身纹理特征难以提取有判别力的特征的困难。通过对GAN现状的分析,指出其特征提取过程是无监督这一局限,以及训练过程不稳定会影响分类结果这一困难。对机器学习中半监督学习的特点进行了分析,指出半监督学习在GAN中的适用性。结合半监督学习和GAN,充分利用标签信息和生成的数据,对属于无监督特征提取的原始GAN做了改进,建立了基于半监督特征提取的生成对抗网络分类模型。与现有的监督特征提取和无监督特征提取的方法相比,半监督学习对于网络特征提取能力的提高起到了一定的作用,其分类结果有所提高。通过对原始GAN存在的问题进行分析,指出原始GAN存在训练不稳定、生成图像多样性不足的问题,其根本原因在于损失函数设计不合理。而WGAN-GP中引入了Wasserstein距离以及梯度惩罚,很好地度量了生成分布和真实分布之间的距离。在WGAN-GP的基础上,建立了基于WGAN-GP的分类模型。与原始GAN相比,采用合理的损失函数能够提高生成图像质量以及多样性,训练结果趋于稳定。通过对经验风险最小化理论和邻域风险最小化理论的分析,指出前者在数据量不足的情况下存在的过拟合问题,以及在邻域风险最小化理论的基础上提出的mixup数据增强方法具有与数据无关的优越性。针对半监督特征提取网络设计了基于mixup数据增广的生成对抗网络,该方法有效增广了数据,且稳定了训练过程,提高了分类结果。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;TP18
【图文】：

遥感图像,场景,语义,土地利用

华中科技大学硕士学位论文一种研究潮流，即语义级遥感图像场景分类（semantic-levelremotesensing ine classification）。语义级遥感图像场景分类旨在用特定的语义来标记每个。这里的场景图像通常是从大规模遥感图像中截取的局部图像块，这些场包含的类别通常有商业领域、工业区、住宅区等等，如图 1-1。

2 生成对抗网络基本原理对抗样本与对抗训练014 年，Szegedy C 等[33]发现对于一个训练好的网络模型，将训练微小的改变，比如加噪声，会导致模型输出错误的分类结果。而往人眼识别不出来，但是却会影响到网络的分类结果，这种在原动，就能使得模型出现误分类的样本，被称为对抗样本。如图 2 MNIST 数据集中随机选取的，奇数列是原始图像，偶数列是对本。针对特定模型生成的对抗样本如图 2-1（a）其准确率为 0%的样本如图 2-1（b）仍然有 51%的准确率。

概率解释,模型构成,生成对

图 2-3 GAN 算法的概率解释图 2-4 GAN 算法的模型构成生成对抗网络（Generative Adversarial Networks，GAN）模型启发自博弈

【参考文献】