為了提高高光譜影像分類精度,提出了一種基于生成式對抗網(wǎng)絡(luò)的高光譜影像分類方法。生成式對抗網(wǎng)絡(luò)由生成器、判別器和分類器3部分組成,其中生成器用于模擬高光譜樣本的數(shù)據(jù)分布,生成特定類別的樣本;判別器是一個(gè)二值分類器,用于判斷輸入的樣本是否為真實(shí)數(shù)據(jù);分類器用于對輸入的樣本進(jìn)行分類。利用反向傳播算法依次更新生成器、判別器和分類器的網(wǎng)絡(luò)參數(shù)使損失函數(shù)最小,從而達(dá)到訓(xùn)練網(wǎng)絡(luò)的目的。生成器和判別器能夠模擬高光譜影像的樣本分布來輔助訓(xùn)練分類器,因此能夠提高高光譜影像的分類精度。分別采用Pavia大學(xué)和Salinas高光譜數(shù)據(jù)集進(jìn)行分類試驗(yàn),試驗(yàn)結(jié)果表明提出的分類方法能夠在小樣本條件下提高高光譜影像的分類精度。 

【文章來源】：測繪通報(bào). 2020,(03)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

生成式對抗網(wǎng)絡(luò)基本原理

為了利用GAN提高小樣本條件下的高光譜影像分類精度，設(shè)計(jì)了如圖2所示的GAN，該網(wǎng)絡(luò)由生成器G、判別器D和分類器C組成。生成器G的輸入為隨機(jī)噪聲z和其對應(yīng)的類別c，輸出為合成的光譜特征向量(生成數(shù)據(jù));判別器與原始GAN中的判別器類似，用于判斷輸入數(shù)據(jù)是否為生成器合成的光譜特征向量;分類器輸入為光譜特征向量(真實(shí)數(shù)據(jù)+生成數(shù)據(jù))，輸出為不同地物的類別標(biāo)記。事實(shí)上GAN網(wǎng)絡(luò)中的生成器和判別器可以為任意深層網(wǎng)絡(luò)結(jié)構(gòu)，本文GAN中的生成器G、判別器D和分類器C均采用4層的全連接網(wǎng)絡(luò)。眾所周知GAN難以訓(xùn)練，為了更加穩(wěn)定地訓(xùn)練GAN，參照文獻(xiàn)[14]在原始GAN損失函數(shù)的基礎(chǔ)上引入?yún)?shù)梯度懲罰項(xiàng)GP(gradient penalty)，進(jìn)一步結(jié)合分類器的損失函數(shù)形成最終的損失函數(shù)為

本文提出的GAN網(wǎng)絡(luò)中的生成器G、判別器D和分類器C均采用4層全連接網(wǎng)絡(luò)。為了便于分析網(wǎng)絡(luò)結(jié)構(gòu)對分類精度的影響，設(shè)置生成器G、判別器D和分類器C的隱藏層節(jié)點(diǎn)數(shù)相同，并分別設(shè)置隱藏層節(jié)點(diǎn)數(shù)為50、100、200、300、400、500、600、700和800，如圖3所示，給出了兩組高光譜數(shù)據(jù)集上對應(yīng)的總體分類精度。由圖3可知，過少的隱藏層節(jié)點(diǎn)數(shù)(如50)，會導(dǎo)致分類精度急劇下降，而過大的隱藏層節(jié)點(diǎn)數(shù)(如800)也會導(dǎo)致分類精度的降低。根據(jù)試驗(yàn)結(jié)果可知將隱藏層節(jié)點(diǎn)數(shù)設(shè)置為500～700較為合理，能夠取得較高的分類精度，但隱藏層節(jié)點(diǎn)數(shù)量的增加會導(dǎo)致訓(xùn)練時(shí)間和測試時(shí)間的急劇增加，因此本文統(tǒng)一設(shè)置生成器G、判別器D和分類器C的隱藏層節(jié)點(diǎn)數(shù)為500。3.3 試驗(yàn)結(jié)果對比與分析


本文編號：3400619