高光谱图像分类，使用GAN和Swin-Transformer改进

野马算法创新

已于 2023-06-09 00:03:28 修改

阅读量1.1k

点赞数

文章标签：分类 transformer 数据挖掘深度学习 python

于 2023-05-29 00:59:05 首次发布

本文链接：https://blog.csdn.net/crasher123/article/details/130920075

版权

文章提出了一种名为ADGAN的新方法，用于解决基于GAN的高光谱图像分类中的不平衡训练数据和模式崩溃问题。通过调整鉴别器为单个分类器和引入自适应DropBlock（AdapDrop）正则化，ADGAN提高了HSI分类性能。AdapDrop能适应不同形状的地面对象，改善了传统DropBlock的局限性。在多个HSI数据集上的实验验证了ADGAN的有效性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

近年来，基于生成对抗网络（GAN）的高光谱图像（HSI）分类取得了很大进展。基于GAN的分类方法可以在一定程度上缓解有限训练样本的困境。然而，一些研究指出现有的基于GAN的HSI分类方法受到不平衡训练数据问题的严重影响。GAN中的鉴别器总是自相矛盾，并试图将假标签与少数类样本相关联，从而影响分类性能。另一个关键问题是GAN方法中的模式崩溃。生成器只能在数据空间的一个狭窄范围内生成样本，这严重阻碍了基于GAN的HSI分类方法的发展。在本文中，我们提出了一种自适应DropBlock增强生成对抗网络（ADGAN）用于HSI分类。首先，为了解决不平衡训练数据问题，我们将鉴别器调整为单个分类器，它不会自相矛盾。其次，在生成器和鉴别器中引入了自适应DropBlock（AdapDrop）作为正则化方法，以缓解模式崩溃问题。AdapDrop通过自适应形状生成Drop掩码，而不是固定尺寸的区域，它缓解了DropBlock在处理具有各种形状的地面对象时的限制。在三个HSI数据集上的实验结果表明，我们提出的ADGAN相对于现有的基于GAN的方法取得了更优秀的分类性能。