【摘要】：遙感圖像分類有著重要的應(yīng)用需求,被廣泛應(yīng)用于自然災(zāi)害檢測(cè)、土地資源利用與覆蓋管理等�；谏疃忍卣鲗W(xué)習(xí)的方法由于能夠自動(dòng)提取特征,不需要大量工程技能和領(lǐng)域?qū)＜抑R(shí),而且通過多層提取可以學(xué)習(xí)到更好的特征表達(dá),因此成為研究熱點(diǎn)。生成對(duì)抗網(wǎng)絡(luò)(GAN)作為近年來最具潛力的深度學(xué)習(xí)方法,將其引入遙感圖像分類領(lǐng)域是一個(gè)新的思路。采用合適的數(shù)據(jù)增廣方法和提高判別器的特征提取能力是開展圖像分類研究的關(guān)鍵技術(shù)與難點(diǎn),本文以GAN理論為基礎(chǔ),針對(duì)遙感圖像場(chǎng)景分類提出了更具泛化性能的分類模型。主要研究?jī)?nèi)容包括:分析了現(xiàn)有遙感圖像數(shù)據(jù)集的局限,以及分類方法存在的不足,指出其數(shù)據(jù)集較小,以及由于本身紋理特征難以提取有判別力的特征的困難。通過對(duì)GAN現(xiàn)狀的分析,指出其特征提取過程是無(wú)監(jiān)督這一局限,以及訓(xùn)練過程不穩(wěn)定會(huì)影響分類結(jié)果這一困難。對(duì)機(jī)器學(xué)習(xí)中半監(jiān)督學(xué)習(xí)的特點(diǎn)進(jìn)行了分析,指出半監(jiān)督學(xué)習(xí)在GAN中的適用性。結(jié)合半監(jiān)督學(xué)習(xí)和GAN,充分利用標(biāo)簽信息和生成的數(shù)據(jù),對(duì)屬于無(wú)監(jiān)督特征提取的原始GAN做了改進(jìn),建立了基于半監(jiān)督特征提取的生成對(duì)抗網(wǎng)絡(luò)分類模型。與現(xiàn)有的監(jiān)督特征提取和無(wú)監(jiān)督特征提取的方法相比,半監(jiān)督學(xué)習(xí)對(duì)于網(wǎng)絡(luò)特征提取能力的提高起到了一定的作用,其分類結(jié)果有所提高。通過對(duì)原始GAN存在的問題進(jìn)行分析,指出原始GAN存在訓(xùn)練不穩(wěn)定、生成圖像多樣性不足的問題,其根本原因在于損失函數(shù)設(shè)計(jì)不合理。而WGAN-GP中引入了Wasserstein距離以及梯度懲罰,很好地度量了生成分布和真實(shí)分布之間的距離。在WGAN-GP的基礎(chǔ)上,建立了基于WGAN-GP的分類模型。與原始GAN相比,采用合理的損失函數(shù)能夠提高生成圖像質(zhì)量以及多樣性,訓(xùn)練結(jié)果趨于穩(wěn)定。通過對(duì)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化理論和鄰域風(fēng)險(xiǎn)最小化理論的分析,指出前者在數(shù)據(jù)量不足的情況下存在的過擬合問題,以及在鄰域風(fēng)險(xiǎn)最小化理論的基礎(chǔ)上提出的mixup數(shù)據(jù)增強(qiáng)方法具有與數(shù)據(jù)無(wú)關(guān)的優(yōu)越性。針對(duì)半監(jiān)督特征提取網(wǎng)絡(luò)設(shè)計(jì)了基于mixup數(shù)據(jù)增廣的生成對(duì)抗網(wǎng)絡(luò),該方法有效增廣了數(shù)據(jù),且穩(wěn)定了訓(xùn)練過程,提高了分類結(jié)果。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP751;TP18
【圖文】：

華 中 科 技 大 學(xué) 碩 士 學(xué) 位 論 文一種研究潮流，即語(yǔ)義級(jí)遙感圖像場(chǎng)景分類（semantic-levelremotesensing ine classification）。語(yǔ)義級(jí)遙感圖像場(chǎng)景分類旨在用特定的語(yǔ)義來標(biāo)記每個(gè)。這里的場(chǎng)景圖像通常是從大規(guī)模遙感圖像中截取的局部圖像塊，這些場(chǎng)包含的類別通常有商業(yè)領(lǐng)域、工業(yè)區(qū)、住宅區(qū)等等，如圖 1-1。

2 生成對(duì)抗網(wǎng)絡(luò)基本原理對(duì)抗樣本與對(duì)抗訓(xùn)練014 年，Szegedy C 等[33]發(fā)現(xiàn)對(duì)于一個(gè)訓(xùn)練好的網(wǎng)絡(luò)模型，將訓(xùn)練微小的改變，比如加噪聲，會(huì)導(dǎo)致模型輸出錯(cuò)誤的分類結(jié)果。而往人眼識(shí)別不出來，但是卻會(huì)影響到網(wǎng)絡(luò)的分類結(jié)果，這種在原動(dòng)，就能使得模型出現(xiàn)誤分類的樣本，被稱為對(duì)抗樣本。如圖 2 MNIST 數(shù)據(jù)集中隨機(jī)選取的，奇數(shù)列是原始圖像，偶數(shù)列是對(duì)本。針對(duì)特定模型生成的對(duì)抗樣本如圖 2-1（a）其準(zhǔn)確率為 0%的樣本如圖 2-1（b）仍然有 51%的準(zhǔn)確率。

圖 2-3 GAN 算法的概率解釋圖 2-4 GAN 算法的模型構(gòu)成生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）模型啟發(fā)自博弈

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 劉建偉;劉媛;羅雄麟;;半監(jiān)督學(xué)習(xí)方法[J];計(jì)算機(jī)學(xué)報(bào);2015年08期

本文編號(hào)：2764526