研究目的
为解决高光谱图像(HSI)中基于深度学习的特征提取方法缺乏标注样本的问题,提出一种改进的生成对抗网络(GAN),用于无监督训练基于深度学习的特征提取器。
研究成果
所提出的改进型生成对抗网络框架有效解决了高光谱图像在基于深度学习的特征提取中缺乏标注样本的问题。该框架成功实现了无监督条件下的深度学习特征提取器训练,能够提取高质量的空间与光谱特征用于分类任务。在三个真实数据集上的实验结果验证了该方法的有效性,其分类性能较监督学习和传统无监督方法均有显著提升。
研究不足
输入数据的空间邻域窗口大小会影响所获特征的质量,不恰当的窗口尺寸可能导致包含过多属于其他类别的像素,从而可能损害特征质量。判别器与生成器之间的训练比例同样影响特征质量,需要进行仔细调整。
1:实验设计与方法选择:
本研究提出了一种改进的生成对抗网络(GAN)框架,包含生成器和判别器,用于高光谱图像(HSI)的无监督特征提取。生成器基于全反卷积子网络设计,判别器基于全卷积子网络设计。为无监督训练GAN,设计了一种利用Wasserstein距离的新型最小-最大代价函数。
2:样本选择与数据来源:
实验在三个真实高光谱数据集上进行:Indian Pines、Pavia University和Salinas。每个像素及其空间邻域作为训练样本。
3:实验设备与材料清单:
使用Nvidia Tesla K40c GPU加速所提网络的执行时间。
4:实验流程与操作步骤:
训练过程中,生成器将潜在低维数据映射为生成样本,判别器为输入数据分配标签。训练良好的判别器作为特征提取器。训练采用Adam优化方法进行小批量随机优化。
5:数据分析方法:
基于SVM、KNN和LR三种分类器的分类性能评估提取特征的质量。分类性能通过总体精度(OA)、平均精度(AA)和Kappa系数(KC)进行评估。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容