《表3 引入遥感影像的代表性GAN网络介绍》
与估算真实分布的参数不同,GAN与VAE的原理均是通过隐变量分布模拟目标概率分布。使用函数逼近器(如自编码或CNN)和某种可微可测的损失计算方法,将任意一种概率分布(隐分布)映射到目标概率分布。两者区别在于,GAN使用多个深度神经网络来组建博弈过程,通过收敛进行这种映射,而VAE借鉴自编码网络的函数逼近器,使用KL(Kullback-Leibler)散度结合变分下界的方式完成映射。经过分析2017—2019年文献发现,遥感影像处理中结合VAE的研究较少。文献[16]在高光谱影像解混中用VAE进行盲源分离。文中提出的DAEN包括两部分,第1部分用DAE对光谱进行非监督特征提取,第2部分是使用VAE同时得到端元与丰度信息。相比非负矩阵分解与堆叠非负稀疏自编码的解混方法,在丰度估计时,VAE的深度结构保证了“非负性”与“和为一”的假设依赖,而且可以针对显著的异常值保证较好的效果。相比之下,引入的GAN的结构主要有DCGAN[17]、WGAN[18]、LSGAN[19]、CGAN[20]、ACGAN[21]和CycleGAN[22]等,如表3所示。应用从高光谱、高分影像到SAR影像,甚至结合GPS数据均有广泛涉及。
图表编号 | XD0010992200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.16 |
作者 | 谭琨、王雪、杜培军 |
绘制单位 | 华东师范大学地理信息科学教育部重点实验室、中国矿业大学自然资源部国土环境与灾害监测重点实验室、华东师范大学地理信息科学教育部重点实验室、中国矿业大学自然资源部国土环境与灾害监测重点实验室、南京大学自然资源部卫星测绘技术与应用重点实验室 |
更多格式 | 高清、无水印(增值服务) |