《表3 引入遥感影像的代表性GAN网络介绍》

  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

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。