遙感圖像上的飛機(jī)目標(biāo)檢測(cè)是一件極富挑戰(zhàn)性的工作,吸引了廣大研究者的興趣。基于人工神經(jīng)網(wǎng)絡(luò)的方法是當(dāng)前遙感圖像飛機(jī)目標(biāo)檢測(cè)的主流方法,這類(lèi)方法要求人工標(biāo)記大量的數(shù)據(jù)用于訓(xùn)練。對(duì)訓(xùn)練圖像的人工標(biāo)注工作費(fèi)時(shí)費(fèi)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(gè)問(wèn)題,提出一種基于生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks,GAN)的半監(jiān)督檢測(cè)方法。在遙感圖像飛機(jī)目標(biāo)檢測(cè)中,該方法不需要標(biāo)記全部用于訓(xùn)練的圖像,只需要標(biāo)記其中一小部分樣本,再和大量未標(biāo)記數(shù)據(jù)一起進(jìn)行訓(xùn)練便能取得優(yōu)異的檢測(cè)結(jié)果。該方法結(jié)合傳統(tǒng)的檢測(cè)網(wǎng)絡(luò)和基于GAN的半監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)。在對(duì)抗訓(xùn)練過(guò)程中,生成器學(xué)習(xí)數(shù)據(jù)分布并生成假樣本,判別器判別真假樣本,同時(shí)判別器還需要從標(biāo)記數(shù)據(jù)中學(xué)習(xí)類(lèi)別信息。最后,判別器學(xué)習(xí)到的決策分類(lèi)面不僅僅區(qū)分出標(biāo)記數(shù)據(jù),而且平行于數(shù)據(jù)分布的邊界。實(shí)驗(yàn)證明,在存在大量可供訓(xùn)練的圖像的基礎(chǔ)上,減少標(biāo)注數(shù)據(jù)的比例,全監(jiān)督學(xué)習(xí)方法性能會(huì)大幅下降;而本文提出的半監(jiān)督學(xué)習(xí)方法,由于利用了未標(biāo)注的數(shù)據(jù),能保持更好的檢測(cè)性能。

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖7不同迭代次數(shù)的生成樣本

圖6在BEP點(diǎn)的檢測(cè)結(jié)果圖8無(wú)標(biāo)記樣本中的一些負(fù)樣本

圖8無(wú)標(biāo)記樣本中的一些負(fù)樣本

圖7不同迭代次數(shù)的生成樣本3總結(jié)

圖1GAN實(shí)現(xiàn)半監(jiān)督學(xué)習(xí)原理的實(shí)驗(yàn)說(shuō)明

遙感圖像飛機(jī)目標(biāo)檢測(cè)是一個(gè)方興未艾的研究領(lǐng)域。傳統(tǒng)的方法依賴(lài)于人為設(shè)計(jì)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(biāo)檢測(cè)框架

本文方法融合了GAN和傳統(tǒng)的檢測(cè)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。訓(xùn)練階段過(guò)程如下:首先利用標(biāo)記圖像訓(xùn)練一個(gè)全監(jiān)督檢測(cè)網(wǎng)絡(luò)，同時(shí)從標(biāo)記圖像中提取半監(jiān)督訓(xùn)練需要用到的標(biāo)記樣本;然后，利用該檢測(cè)網(wǎng)絡(luò)對(duì)無(wú)標(biāo)記圖像進(jìn)行檢測(cè)，得到飛機(jī)目標(biāo)的候選區(qū)域，這些候選區(qū)域構(gòu)成半監(jiān)督訓(xùn)練過(guò)程需要用到的無(wú)標(biāo)記樣....

本文編號(hào)：3908381