Generative Adversarial Networks for Hyperspectral Image Classification(2019)
文章目录
Abstract
生成对抗网络包括生成器和鉴别器,本文使用一个CNN来鉴别输入,使用一个CNN来产生假目标。这两个CNN一起训练,生成器试图以假乱真,鉴别器试图区分真假目标。这种对抗训练改善了判别器的泛化能力,这在样本量少时显得十分重要。本文提出了两个方案:1)光谱分类器1D-GAN;2)光谱-空间分类器3D-GAN。而且本文将生成对抗样本和真目标一起用于鉴别器的微调。提出方法在三个数据集中进行实验验证:Salinas、IP、KSC,相比其他方法,提出方法分类精度很高。此外,GANs为高光谱分类任务提供了新思路,基于GANs的方法在分析复杂非线性数据时具有很大潜力。