遙感圖像上的飛機目標檢測是一件極富挑戰(zhàn)性的工作,吸引了廣大研究者的興趣�；谌斯ど窠�(jīng)網(wǎng)絡(luò)的方法是當前遙感圖像飛機目標檢測的主流方法,這類方法要求人工標記大量的數(shù)據(jù)用于訓練。對訓練圖像的人工標注工作費時費力,是制約有效利用大規(guī)模數(shù)據(jù)的主要瓶頸之一。為解決這個問題,提出一種基于生成對抗網(wǎng)絡(luò)(generative adversarial networks,GAN)的半監(jiān)督檢測方法。在遙感圖像飛機目標檢測中,該方法不需要標記全部用于訓練的圖像,只需要標記其中一小部分樣本,再和大量未標記數(shù)據(jù)一起進行訓練便能取得優(yōu)異的檢測結(jié)果。該方法結(jié)合傳統(tǒng)的檢測網(wǎng)絡(luò)和基于GAN的半監(jiān)督學習網(wǎng)絡(luò)。在對抗訓練過程中,生成器學習數(shù)據(jù)分布并生成假樣本,判別器判別真假樣本,同時判別器還需要從標記數(shù)據(jù)中學習類別信息。最后,判別器學習到的決策分類面不僅僅區(qū)分出標記數(shù)據(jù),而且平行于數(shù)據(jù)分布的邊界。實驗證明,在存在大量可供訓練的圖像的基礎(chǔ)上,減少標注數(shù)據(jù)的比例,全監(jiān)督學習方法性能會大幅下降;而本文提出的半監(jiān)督學習方法,由于利用了未標注的數(shù)據(jù),能保持更好的檢測性能。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖7不同迭代次數(shù)的生成樣本

圖6在BEP點的檢測結(jié)果圖8無標記樣本中的一些負樣本

圖8無標記樣本中的一些負樣本

圖7不同迭代次數(shù)的生成樣本3總結(jié)

圖1GAN實現(xiàn)半監(jiān)督學習原理的實驗說明

遙感圖像飛機目標檢測是一個方興未艾的研究領(lǐng)域。傳統(tǒng)的方法依賴于人為設(shè)計特征，比如尺度不變特征變換(scale-invariantfeaturetransform,SIFT)[1]、方向梯度直方圖(histogramoforientedgradient,HOG)[2]、d....

圖2半監(jiān)督目標檢測框架

本文方法融合了GAN和傳統(tǒng)的檢測網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。訓練階段過程如下:首先利用標記圖像訓練一個全監(jiān)督檢測網(wǎng)絡(luò)，同時從標記圖像中提取半監(jiān)督訓練需要用到的標記樣本;然后，利用該檢測網(wǎng)絡(luò)對無標記圖像進行檢測，得到飛機目標的候選區(qū)域，這些候選區(qū)域構(gòu)成半監(jiān)督訓練過程需要用到的無標記樣....

本文編號：3908381