《表1 文中方法不同迭代次数的BEP和AP》

  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

《基于生成对抗网络的半监督遥感图像飞机检测》

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

%

式中:TP表示被检测出的飞机数量，FP表示负样本被误检为飞机的数量，FN表示飞机被误检为负样本的数量。实验中，当预测边框与地面真实边框的重叠率（intersection-over-union，IoU）大于0.5时则认为为真实正样本。从图中可以看出，本文方法的P-R曲线完全包住了其他方法的曲线，证明本方法取得了最佳的检测结果。对比本方法与DRBox的曲线，证明GAN的半监督学习有效地提高了网络检测性能。进一步与DRBox+Classifier对比，证明我们的判别器通过与生成器的对抗训练从无标记数据中学习到了有用的信息，提高了网络的检测性能。相比于DRBox，DRBox+Classifier的检测性能不升反降，究其原因为，DRBox+Classifier是一个两阶段的检测网络，首先利用标记数据对DRBox进行训练，然后再利用hard negative mining从标记数据中提取负样本，当利用提取的标记样本对Classifier进行训练时，Classifier学习到的特征信息不同于DRBox学习到的用于分类的特征信息，另外，由于训练样本的缺少，导致Classifier极易过拟合，因此，对DRBox进行重新分类并不能改善性能。从表1可以看出，当训练到一定的迭代次数后，我们的网络保持着较好的检测性能。实际上，Llabeled很快衰减到接近于0，也就意味着半监督GAN网络中对于标记样本的学习很快就进入到过拟合状态，但这种状态对结果并没有什么影响，究其原因在于半监督GAN网络从大量的无标记样本中学习到有用的信息，从而消除了标记样本过拟合的影响，从其结果看，标记样本更像是提供了一个标签的作用。从SSD的P-R曲线可以看出，其漏检始终存在，因此SSD并不适合作为我们的全监督检测器。