基于生成对抗网络的半监督遥感图像飞机检测

发布时间：2024-02-24 02:35

　　遥感图像上的飞机目标检测是一件极富挑战性的工作,吸引了广大研究者的兴趣。基于人工神经网络的方法是当前遥感图像飞机目标检测的主流方法,这类方法要求人工标记大量的数据用于训练。对训练图像的人工标注工作费时费力,是制约有效利用大规模数据的主要瓶颈之一。为解决这个问题,提出一种基于生成对抗网络(generative adversarial networks,GAN)的半监督检测方法。在遥感图像飞机目标检测中,该方法不需要标记全部用于训练的图像,只需要标记其中一小部分样本,再和大量未标记数据一起进行训练便能取得优异的检测结果。该方法结合传统的检测网络和基于GAN的半监督学习网络。在对抗训练过程中,生成器学习数据分布并生成假样本,判别器判别真假样本,同时判别器还需要从标记数据中学习类别信息。最后,判别器学习到的决策分类面不仅仅区分出标记数据,而且平行于数据分布的边界。实验证明,在存在大量可供训练的图像的基础上,减少标注数据的比例,全监督学习方法性能会大幅下降;而本文提出的半监督学习方法,由于利用了未标注的数据,能保持更好的检测性能。

【文章页数】：8 页

【部分图文】：

图7不同迭代次数的生成样本

图6在BEP点的检测结果图8无标记样本中的一些负样本

图8无标记样本中的一些负样本

图7不同迭代次数的生成样本3总结

图1GAN实现半监督学习原理的实验说明

遥感图像飞机目标检测是一个方兴未艾的研究领域。传统的方法依赖于人为设计特征，比如尺度不变特征变换(scale-invariantfeaturetransform,SIFT)[1]、方向梯度直方图(histogramoforientedgradient,HOG)[2]、d....

图2半监督目标检测框架

本文方法融合了GAN和传统的检测网络，网络结构如图2所示。训练阶段过程如下:首先利用标记图像训练一个全监督检测网络，同时从标记图像中提取半监督训练需要用到的标记样本;然后，利用该检测网络对无标记图像进行检测，得到飞机目标的候选区域，这些候选区域构成半监督训练过程需要用到的无标记样....

本文编号：3908381