论文总结Classification of Hyperspectral Images Based on Multiclass Spatial–Spectral GAN

参考论文:Classification of Hyperspectral Images Based on Multiclass Spatial–Spectral Generative Adversarial Networks
发表期刊:IEEE Transactions on Geoscience and Remote Sensing (IF2018:6.73)
用GAN来做分类的文章比较少,最近打算总结一下这个领域方向~

1. 摘要和贡献

生成对抗网络(GAN)以通过对抗过程训练生成器和鉴别器来生成样本而闻名。对于高光谱图像分类,样本的采集总是很困难。然而,直接将GAN应用于高光谱图像分类存在两个问题。一个是生成的样本缺乏判别信息。同时,鉴别器对多分类没有判别能力。另一个是需要在高光谱图像分类中同时考虑空间和光谱信息。为了解决这些问题,提出了一种新颖的多类空间光谱GAN(MSGAN)方法。在MSGAN中,设计了两个发生器以分别生成包含空间和光谱信息的样本,并且设计鉴别器以提取联合空间光谱特征并输出多类概率。此外,还定义了多类的新颖对抗目标。设计鉴别器以预测属于真实类别的训练样本,并以相同的概率生成属于所有类别的样本。设计生成器以使鉴别器犯错。通过鉴别器和发生器之间的对抗性学习,在有鉴别性的生成样本的帮助下促进鉴别器的分类性能。高光谱图像的实验结果表明,与几种最先进的方法相比,所提出的方法实现了令人鼓舞的分类性能,特别是对于有限的训练样本。
作者的贡献主要表现在两个方面:
1.一个是生成的样本缺乏判别信息。同时,鉴别器对多分类没有判别能力。
2.另一个是需要在高光谱图像分类中同时考虑空间和光谱信息。

2. 结构、方法、细节

图1. 提出的MSGAN框架

图1. 提出的MSGAN框架

作者在MSGAN中,通过生成器G1生成一维光谱(1D-TCN),通过生成器G2生成spatial patches,鉴别器设计为提取通过1-D CNN和2-D CNN从光谱和spatial patches中提取的联合空间光谱特征,并通过soft-max分类器输出多类概率。

2.1 损失函数

在这里插入图片描述
个人理解,作者应该是在ACGAN的基础上将一个生成器变成了两个生成器,然后写出来的loss函数~

3. 实验

在这里插入图片描述

4. 心得

作者实验做的挺详实的,一定程度上阐述了对抗训练在小样本分类问题上是有作用的,但是作者没有从数学上证明为什么对抗训练可以用来增加分类~

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值