《表4 深度生成模型应用汇总表》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《结合深度学习和半监督学习的遥感影像分类进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

除了域适应和样本生成应用之外，GAN在对抗训练的过程中，学习到的高阶数据分布特征对遥感影像分类与识别任务帮助很大。Zhang等人[43]结合FCN与WGAN构建了一个非监督的特征提取方法，分层连接判别器特征同时提取多卷积层特征作为影像的空谱特征，设置浅层和深层网络特征提取方法作为对比试验，结果表明，提出的特征提取方法训练可分性更强。Duan等人[44]将NLlayer[45]引入到GAN网络中，在保持局部信息的同时，注入了较远像素点的依赖关系，整个框架将分类任务划分成非监督表征学习和监督分类两个子任务，子任务间共享相同网络，只是在监督分类时将判别器最后添加类别信息的损失函数进行微调。Shi等人[46]结合基于FCN的Segnet网络[47]，构造了一种基于GAN的像素级遥感影像道路提取模型。语义分割网络Segnet作为生成器结构，与真实标签图对抗训练，最终通过高阶特性的对抗过程完成对Segnet的训练，而且在判别过程中，将分割后图与原始图进行合并判别，更好地保留了原始特征。Zhong等人[48]使用SemiGAN的结构，将判别器扩展到包含标签信息与真伪信息的网络模型，在对抗训练的同时提取深度特征，同时结合CRF进行分类后处理，提升分类精度。结果表明，使用了概率图模型的分类结果要比未使用的高3%4%。Chen等人[49]针对高光谱影像的光谱可视化做了深入研究，通过引入CycleGAN提取空谱特征，避免了由于直接挑选RGB响应波段显示时其他波段信息被忽略的问题，同时也缓解了使用PCA/ICA或者流型空间对齐等方法而引发的推理成本增高的问题。将特征提取的损失函数融入到对抗训练的过程中，针对于不同的特征空间进行智能化调整，最终构建VGAN进行颜色空间的迁移特征学习而不是像素配准，在这一过程中，对抗损失控制了颜色与自然影像一致而循环一致性损失控制了光谱信息的保留。Xu等人[50]改进了DCGAN结果，将用SELU激活单元替换DCGAN的ReLU，使其在有限样本下有效学习大场景的高分辨率遥感影像，并在输入层和输出层添加类别信息，实现在有效表征学习的同时实现分类效果。表4中列举深度生成模型的应用。