錢(qián)園園，劉進(jìn)鋒，朱東輝

(寧夏大學(xué) 信息工程學(xué)院，銀川 750021)

0 引言

遙感技術(shù)是一門(mén)綜合性的學(xué)科，主要通過(guò)遙感器在空中對(duì)地物進(jìn)行測(cè)量等操作獲取信息，并對(duì)獲取的地物信息進(jìn)行研究分析。分類作為一種基礎(chǔ)的遙感圖像處理手段備受關(guān)注，已經(jīng)被廣泛應(yīng)用于自然災(zāi)害檢測(cè)、土地資源利用、資源勘測(cè)等各個(gè)領(lǐng)域中。根據(jù)遙感圖像分類時(shí)樣本的標(biāo)簽是否參與，可將這些方法分為有監(jiān)督分類、無(wú)監(jiān)督分類、半監(jiān)督分類。

有監(jiān)督分類方法被廣泛應(yīng)用于遙感圖像分類，并且取得了較好的成績(jī)。張浩等[1]利用支持向量機(jī)對(duì)建筑物進(jìn)行識(shí)別并分類，達(dá)到了很好的分類效果。基于CART決策樹(shù)[2]等的算法被相繼用于遙感圖像分類。Cheng等[3]將AlexNet、VGGNet和GoogleNet應(yīng)用于遙感圖像場(chǎng)景的監(jiān)督分類中，取得了良好的分類效果。Xu等[4]應(yīng)用兩個(gè)深度神經(jīng)網(wǎng)絡(luò)，以一定的加權(quán)融合方式進(jìn)行遙感圖像分類并得到了令人滿意的分類精度。有監(jiān)督分類方法雖然被廣泛應(yīng)用并且獲得很好的分類精度，但是常見(jiàn)的遙感影像數(shù)據(jù)集中每個(gè)類別的圖像數(shù)量和圖像總數(shù)量都很少，因此不能滿足有監(jiān)督分類需要用到大量標(biāo)簽樣本的需求，分類精度不高。

無(wú)監(jiān)督分類是在只知道圖像數(shù)據(jù)但不知道所屬類別的情況下，利用某種度量標(biāo)準(zhǔn)或一定的模型得到數(shù)據(jù)之間的關(guān)系?；贐oVW的方法[5]，根據(jù)數(shù)據(jù)集學(xué)習(xí)特征得到相應(yīng)特征的數(shù)據(jù)，再通過(guò)聚類對(duì)特征進(jìn)行分類。Xu等[6]提出了一種具有知識(shí)編碼粒度空間的深層自動(dòng)編碼器神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，用于遙感圖像分類。Zhang等[7]首次對(duì)沒(méi)有標(biāo)簽的遙感圖像進(jìn)行分類時(shí)用到了生成式對(duì)抗網(wǎng)絡(luò)(generative adversarial network，GAN)模型。Lin等[8]提出一種無(wú)監(jiān)督的多層特征匹配生成對(duì)抗網(wǎng)絡(luò)模型(MARTA GANs)，為適應(yīng)遙感數(shù)據(jù)的復(fù)雜特性，使用了一個(gè)特征融合層融合中間層和全局特征。由于遙感圖像中同種類別的圖像通常可能會(huì)顯示出不同的大小、顏色，或者不同類別的圖像表現(xiàn)出很大的相似性，因此，如果只使用無(wú)監(jiān)督的方法進(jìn)行遙感圖像分類就很難訓(xùn)練出泛化能力較強(qiáng)的模型，進(jìn)而影響分類的準(zhǔn)確率。

半監(jiān)督分類恰好可以彌補(bǔ)以上兩種分類方法的缺點(diǎn)，這種方法不僅通過(guò)有標(biāo)記的樣本圖像進(jìn)行模型的訓(xùn)練，而且可以有效地利用大量的無(wú)標(biāo)記樣本圖像，使模型見(jiàn)識(shí)到更多的圖像、更好的學(xué)習(xí)特征，得到泛化能力更好的模型。文獻(xiàn)[9-10]使用SVM分類器進(jìn)行遙感圖像的半監(jiān)督分類。Han等[11]將具有深度學(xué)習(xí)功能的半監(jiān)督生成框架用在遙感圖像場(chǎng)景分類中。Xu等[12]提出了一種新型的半監(jiān)督方法(SS-AIT2FCM)，用于遙感圖像分類，使遙感圖像的分類精度獲得提高的同時(shí)對(duì)遙感圖像進(jìn)行了清晰化處理。

GAN作為無(wú)監(jiān)督模型[13]，它主要由一個(gè)生成器和一個(gè)判別器兩部分組成，兩個(gè)模型之間通過(guò)零和博弈的思想對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在GAN的基礎(chǔ)上衍生出很多改進(jìn)方法，如基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的DCGAN[14]、對(duì)原始目標(biāo)函數(shù)改進(jìn)的WGAN[15]、加入條件信息提出的條件GAN(CGAN)[16]等。

GAN在半監(jiān)督分類方面也有很多研究，Salimans等[17]提出的一種GAN改進(jìn)模型——半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)(SSGAN)。Dai 等[18]基于生成式對(duì)抗網(wǎng)絡(luò)框架提出了一種新的生成模型，同時(shí)改變網(wǎng)絡(luò)訓(xùn)練的過(guò)程，有效提高了半監(jiān)督分類的效果。

目前基于GAN的半監(jiān)督遙感圖像分類方法存在不足之處，GAN 的生成器生成樣本的真實(shí)度與清晰度不太高，生成樣本多樣性不夠，在有標(biāo)簽數(shù)據(jù)過(guò)少時(shí)分類精度不足。

本文結(jié)合GAN與VGGNet-16設(shè)計(jì)了一個(gè)針對(duì)遙感圖像的半監(jiān)督分類方法(classification based on semi-supervised learning,CSSL)，該方法結(jié)合了自訓(xùn)練和協(xié)同訓(xùn)練的優(yōu)勢(shì)，提高了遙感圖像分類的精度。

1 相關(guān)理論與技術(shù)基礎(chǔ)

1.1 生成對(duì)抗網(wǎng)絡(luò)

GAN作為一種無(wú)監(jiān)督的生成模型，其基本架構(gòu)如圖1所示，它由生成模型(生成器)和判別模型(判別器)兩部分組成。在訓(xùn)練過(guò)程中，生成器的目的是生成質(zhì)量較好的、與真實(shí)圖片差距較小的圖片，判別器的目的是將真假圖像分辨開(kāi)來(lái)。

1.2 常用的半監(jiān)督分類方法

半監(jiān)督學(xué)習(xí)[19]是結(jié)合了監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)優(yōu)勢(shì)的一種分類方法，半監(jiān)督學(xué)習(xí)模型在訓(xùn)練時(shí)可以利用海量的無(wú)標(biāo)簽數(shù)據(jù)以及少量的有標(biāo)簽數(shù)據(jù)學(xué)習(xí)到泛化能力較強(qiáng)的模型。常見(jiàn)的半監(jiān)督分類方法有很多，本文提出的半監(jiān)督方法主要基于自訓(xùn)練算法[20]與協(xié)同訓(xùn)練算法[21]。

2 網(wǎng)絡(luò)模型設(shè)計(jì)

2.1 設(shè)計(jì)原理

結(jié)合自訓(xùn)練與協(xié)同訓(xùn)練的優(yōu)勢(shì)，本文提出了一個(gè)半監(jiān)督分類模型(CSSL)。在CSSL模型中借鑒了協(xié)同訓(xùn)練的優(yōu)勢(shì)，使用兩個(gè)模型cDCGAN和VGGNet-16對(duì)遙感圖像進(jìn)行分類，從而使每個(gè)無(wú)標(biāo)簽樣本被預(yù)測(cè)兩次，增強(qiáng)對(duì)標(biāo)簽預(yù)測(cè)的精確度。同時(shí)借鑒自訓(xùn)練方式，通過(guò)操作簡(jiǎn)單、容易理解的多次訓(xùn)練的方式進(jìn)行遙感圖像分類。相比自訓(xùn)練算法只對(duì)無(wú)標(biāo)簽樣本進(jìn)行一次預(yù)測(cè)，CSSL模型使用兩個(gè)分類器對(duì)每個(gè)無(wú)標(biāo)簽樣本進(jìn)行兩次預(yù)測(cè)，這樣可以減少模型預(yù)測(cè)錯(cuò)誤的可能性。相比協(xié)同訓(xùn)練算法而言，CSSL模型不需要根據(jù)圖像的特征將數(shù)據(jù)集分為兩個(gè)不同的子數(shù)據(jù)集，只需通過(guò)兩個(gè)分類器用多訓(xùn)練的方式為無(wú)標(biāo)簽樣本添加偽標(biāo)簽，并使模型收斂，所以CSSL模型更適合對(duì)遙感圖像進(jìn)行分類。

2.2 CSSL模型結(jié)構(gòu)

本文設(shè)計(jì)的CSSL模型包含cDCGAN和VGGNet-16兩個(gè)分類模型。其中cDCGAN是對(duì)DCGAN的改進(jìn)。對(duì)DCGAN的改進(jìn)主要包括兩部分：其一是將DCGAN的判別器的二分類器改為多分類器；其二是對(duì)DCGAN的生成器使用BatchNorm層+SELU激活函數(shù)進(jìn)行改進(jìn)。改進(jìn)后的cDCGAN不僅可以對(duì)無(wú)標(biāo)簽的圖像進(jìn)行分類，而且可以生成無(wú)標(biāo)簽的遙感數(shù)據(jù)集。然后，結(jié)合cDCGAN與VGGNet-16模型通過(guò)多次自訓(xùn)練的方式進(jìn)行遙感圖像的半監(jiān)督分類。

1)將DCGAN模型改為cDCGAN。

(1)將DCGAN的判別器的二分類器改為多分類器。本文不僅使用DCGAN產(chǎn)生遙感場(chǎng)景樣本，而且要對(duì)它的判別器改進(jìn)使它可以作為一個(gè)分類器用于多訓(xùn)練。在普通DCGAN中，生成器(G)輸入的是噪聲，輸出的是生成的圖像。判別器(D)相當(dāng)于一個(gè)二分類器，輸入的是真實(shí)圖像和生成的圖像，輸出的是對(duì)圖像真假的判斷。在本文中cDCGAN模型的生成器的功能沒(méi)有變，依舊是生成類似于真實(shí)圖像的假樣本，但判別器的功能發(fā)生變化，不僅要使判別器實(shí)現(xiàn)對(duì)真假圖像的判別，還要對(duì)生成的圖像進(jìn)行預(yù)分類，因此，用softmax層替換了DCGAN模型中判別器的最后一層，其結(jié)構(gòu)如圖2所示。softmax層有C+1維，前C維表示與遙感圖像訓(xùn)練集類別相同的C維，第C+1維表示判斷圖像的真假。它是指將真實(shí)的遙感場(chǎng)景樣本與虛假遙感場(chǎng)景樣本區(qū)分后，再按圖像場(chǎng)景類別進(jìn)行分類。最后判別器輸出一個(gè)離散概率分布P={p1，…，pC，pFake}。

圖2 判別器改進(jìn)后的模型

(2)對(duì)DCGAN的生成器使用BatchNorm層+SELU激活函數(shù)進(jìn)行改進(jìn)。在人工神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)對(duì)于網(wǎng)絡(luò)學(xué)習(xí)復(fù)雜、非線性的問(wèn)題都有很重大的意義。在卷積神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)保證了卷積運(yùn)算過(guò)程各個(gè)神經(jīng)元的非線性化，從而學(xué)習(xí)到更多的非線性特征，解決更加復(fù)雜的圖像問(wèn)題。在DCGAN模型中，使用ReLU激活函數(shù)完成卷積的非線性化，ReLU激活函數(shù)的優(yōu)點(diǎn)在于對(duì)梯度下降優(yōu)化算法的收斂有巨大的加速作用，當(dāng)輸入x小于等于0時(shí)，輸出0，當(dāng)輸入x大于0時(shí)，才產(chǎn)生輸出，這使得ReLU激活函數(shù)具有一定的稀疏性，這從一定程度上可以使過(guò)擬合現(xiàn)象降低。但是ReLU激活函數(shù)也有很大的缺點(diǎn)，比如在運(yùn)算過(guò)程中當(dāng)梯度的變化非常大時(shí)，使用ReLU激活函數(shù)后，這個(gè)神經(jīng)元就會(huì)失去活性，不會(huì)被激活。因此，如果這樣的現(xiàn)象頻繁發(fā)生，就會(huì)導(dǎo)致數(shù)據(jù)丟失，失去數(shù)據(jù)的多樣性，從而導(dǎo)致生成的圖像質(zhì)量較差或者圖像的多樣性比較差。

SELU激活函數(shù)[22]被提出后，在理論上被證明比ReLU等激活函數(shù)有更多的優(yōu)勢(shì)，可以提取到更多的圖像特征，被應(yīng)用到GAN模型中[23]，用于生成具有更高分辨率的人臉圖像。SELU激活函數(shù)的圖像如圖3所示。SELU激活函數(shù)包含了ReLU函數(shù)的優(yōu)點(diǎn)，即通過(guò)設(shè)置λ略大于1即等于1.050 7時(shí)，對(duì)于輸入大于0的部分保持非飽和性，即保證了讓某些區(qū)域的斜率是大于1的，意味著當(dāng)梯度變化較小時(shí)，通過(guò)乘以1.050 7，會(huì)使輸入稍微變大，保證對(duì)于變化不大的輸入值也使其梯度不會(huì)減小得太快或者消失。此外，SELU激活函數(shù)保留了輸入值小于0的計(jì)算結(jié)果，從而可以學(xué)習(xí)到更多的圖像特征，從而提高模型的分類精度。

圖3 SELU激活函數(shù)圖像

本文使用BatchNorm層+SELU激活函數(shù)對(duì)DCGAN進(jìn)行改進(jìn)。SELU激活函數(shù)可以使模型學(xué)習(xí)到更多的圖像特征，從而生成質(zhì)量更好的圖像，提高半監(jiān)督模型的分類精度。加入BatchNorm層是為了使模型學(xué)習(xí)到的數(shù)據(jù)分布在一個(gè)穩(wěn)定的區(qū)域，不會(huì)出現(xiàn)梯度消失或者爆炸情況，加快收斂速度。

但是在圖3中可以看出SELU激活函數(shù)保留了小于0的部分，這在提供了更豐富的特征的同時(shí)，增多了網(wǎng)絡(luò)參數(shù)量，使計(jì)算量增加，因此在正向和反向傳播的過(guò)程中會(huì)相應(yīng)地增長(zhǎng)計(jì)算時(shí)間。所以本文只對(duì)DCGAN的生成器引入BatchNorm層+SELU激活函數(shù)，圖4顯示了改進(jìn)后的cDCGAN模型的生成器結(jié)構(gòu)。

圖4 改進(jìn)后的cDCGAN生成器

(3)cDCGAN模型的損失函數(shù)。在cDCGAN模型中，生成器的損失函數(shù)如式(1)所示，其參數(shù)的含義與原始GAN 模型生成器的損失函數(shù)類似。

Ez～Pz[logDk+1(G(z))]

(1)

式中：z表示隨機(jī)噪聲；Ez～Pz表示在分布z上的數(shù)學(xué)期望；D為判別器；G為生成器。由于cDCGAN的判別器的輸出是多維的(圖2)，所以該公式中判別器D加了個(gè)下標(biāo)k+1，Dk+1(G(x))表示判別器輸入為生成圖像時(shí)輸出的第k+1維(最后一維)。

cDCGAN的判別器的損失函數(shù)與原始 GAN 的損失函數(shù)有一定的差別，分為有監(jiān)督損失和無(wú)監(jiān)督損失兩部分。其中的無(wú)監(jiān)督損失與原始GAN 類似，即對(duì)圖像的真或者假判斷即可，不需要加入損失標(biāo)簽。無(wú)監(jiān)督損失函數(shù)如式(2)所示。

Lunsupervised=Ex～Pdata(x)[logDk+1(x)]+
Ez～Pz[log(1-Dk+1(G(z)))]

(2)

式中：x表示真實(shí)圖像；Ex～Pdata(x)表示在x分布上的數(shù)學(xué)期望，其他符號(hào)含義與式(1)相同。

有監(jiān)督學(xué)習(xí)損失要判斷生成遙感圖像的類別，所以以交叉熵的形式給出(式(3))。

(3)

式中：真實(shí)數(shù)據(jù)的標(biāo)簽y以獨(dú)熱向量(one-hot vector)的形式給出；yi表示標(biāo)簽的第i維；Di(x)表示判別器輸入為真時(shí)其輸出的第i維，通過(guò)i=0到k的累加將除了最后一維(k+1維)的其他各類別的交叉熵計(jì)算出來(lái)。

判別器的總損失為無(wú)監(jiān)督損失與有監(jiān)督損失之和，如式(4)所示。

(4)

整個(gè)模型的優(yōu)化目標(biāo)與通常GAN類似，為最大化判別器D，最小化生成器G，如式(5)所示。

(5)

2)CSSL模型。CSSL模型由cDCGAN和VGGNet-16兩部分組成，如圖5所示。圖中上半部分為生成模型cDCGAN，主要目的是生成大量的無(wú)標(biāo)記遙感樣本，擴(kuò)充遙感數(shù)據(jù)集的不足并對(duì)生成樣本進(jìn)行預(yù)分類。下半部分為分類模型VGGNet-16，主要負(fù)責(zé)對(duì)遙感數(shù)據(jù)集進(jìn)行分類。本文選擇cDCGAN和VGGNet-16作為CSSL模型的組合主要有4個(gè)原因。第一，遙感圖像數(shù)據(jù)集中包括的有標(biāo)簽遙感圖像數(shù)量較少，而改進(jìn)后cDCGAN模型可以生成無(wú)標(biāo)簽的遙感圖像，擴(kuò)增數(shù)據(jù)集用于半監(jiān)督分類。第二，本文提出的CSSL模型需要用到兩個(gè)分類器對(duì)生成的圖像進(jìn)行分類，而cDCGAN的判別器恰好可以作為其中的一個(gè)分類器對(duì)生成圖像進(jìn)行分類。第三，選擇VGGNet-16是因?yàn)橄啾扔赾DCGAN模型而言，該模型具有較多的層數(shù)，因此非線性因素也較多，可以學(xué)習(xí)到更多的圖像特征，有利于對(duì)遙感圖像的特征進(jìn)行提取。第四，cDCGAN模型的卷積核為5*5，而VGGNet-16模型的卷積核為2*2與3*3，所以對(duì)于相同的遙感圖像，兩個(gè)網(wǎng)絡(luò)在每個(gè)階段都可以學(xué)到不同的特征圖像，使用該半監(jiān)督模型生成大量遙感場(chǎng)景圖像的同時(shí)處理標(biāo)記樣本和未標(biāo)記樣本，從而提高分類器的分類性能。因此選擇VGGNet-16和cDCGAN作為兩種不同的分類器很合適。

圖5 基于生成對(duì)抗網(wǎng)絡(luò)的半監(jiān)督分類模型(CSSL)

在整個(gè)訓(xùn)練過(guò)程中，將原始標(biāo)記樣本L劃分為兩個(gè)子集：訓(xùn)練集L1和測(cè)試集，然后訓(xùn)練該模型。算法包括4個(gè)主要步驟。

步驟1：預(yù)訓(xùn)練。在L1上訓(xùn)練VGGNet-16，生成初始模型Mv，使其具有一定的分類能力。

步驟2：cDCGAN生成樣本并預(yù)測(cè)標(biāo)簽。用L1作為真實(shí)數(shù)據(jù)訓(xùn)練cDCGAN，模型穩(wěn)定后生成的一批無(wú)標(biāo)記樣本記為U，并對(duì)每個(gè)樣本作出預(yù)測(cè)記為Pc。

步驟3：擴(kuò)大訓(xùn)練集。將生成樣本集U送入模型Mv，每個(gè)樣本得到一個(gè)預(yù)測(cè)類別標(biāo)簽Pr及預(yù)測(cè)概率，選取概率高且Pc和Pr相同的樣本分配相應(yīng)的類標(biāo)簽，這樣能保證選取的生成樣本與真實(shí)樣本的特征分布(或者說(shuō)分類屬性)相當(dāng)程度上保持一致。然后把這些加了標(biāo)簽的生成樣本添加到訓(xùn)練集L1中，記為L(zhǎng)2。使用L2數(shù)據(jù)集更新Mv模型。

南水北調(diào)中線工程配套建設(shè)正在有序進(jìn)行。長(zhǎng)距離輸水管道管材選擇要充分考慮管材性能、施工、壽命、造價(jià)等因素。在石油基地和鹽漬土地區(qū)采用涂層隔離和陰極保護(hù)技術(shù)的防腐措施，能有效地防止土壤的電化學(xué)腐蝕，不僅保障了輸水管道的安全和耐久性，同時(shí)提高了輸水管道使用壽命。在施工過(guò)程中應(yīng)嚴(yán)格按照設(shè)計(jì)要求和相關(guān)規(guī)范施工，嚴(yán)把關(guān)鍵部位各個(gè)環(huán)節(jié)的質(zhì)量關(guān)，才能保證管道不漏水，實(shí)現(xiàn)質(zhì)量達(dá)到優(yōu)良目標(biāo)。

步驟4：多次重復(fù)。在完成步驟3之后，有標(biāo)簽的訓(xùn)練集會(huì)增大。如果增加的生成樣本不夠，重復(fù)步驟2和步驟3。

最終形成的訓(xùn)練集可以再反復(fù)訓(xùn)練VGGNet-16分類器。當(dāng)訓(xùn)練好后，用該分類器模型對(duì)測(cè)試集的樣本進(jìn)行分類。

3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

為了驗(yàn)證本文提出的CSSL方法的分類性能，實(shí)驗(yàn)使用了每個(gè)圖像大小相同的大型遙感數(shù)據(jù)集NWPU-RESISC45和常用的土地分類數(shù)據(jù)集UC-Merced對(duì)CSSL模型的分類效果進(jìn)行驗(yàn)證。NWPU-RESISC45是一個(gè)數(shù)據(jù)量較大的數(shù)據(jù)集，該數(shù)據(jù)集圖像大小為256像素×256像素，所包含圖像類別是現(xiàn)存的遙感數(shù)據(jù)集中類別最多的數(shù)據(jù)集之一，共有31 500張圖像，可表示為45×700，其中700表示每個(gè)類別的數(shù)量，45表示類別數(shù)。UC Merced數(shù)據(jù)集比較小，總量只有2 100張圖像，可表示為21×100，其中21是類別數(shù)，100是每個(gè)類的包含的圖像。

實(shí)驗(yàn)以TensorFlow-GPU-1.1.4作為框架，處理器型號(hào)為i7-8750，顯卡為GeForce GTX 1060。

3.2 實(shí)驗(yàn)結(jié)果

本文通過(guò)生成樣本的質(zhì)量對(duì)比、總分類精度對(duì)比來(lái)分析提出方法的性能。

圖6和圖7分別隨機(jī)展示了UC-Merced原始數(shù)據(jù)集和NWPU-RESISC45原始數(shù)據(jù)集與生成圖像中的部分圖像。其中圖6和圖7中的(a)指原始圖像，(b)和(c)分別是CSSL模型訓(xùn)練20 輪和50 輪生成的部分圖像。在圖中可以看出，在模型中的cDCGAN訓(xùn)練了20輪后，生成的假圖像已經(jīng)基本具備了遙感圖像的主要特征信息，由于訓(xùn)練次數(shù)少，所以生成的圖像存在噪聲，還不能清晰地用肉眼識(shí)別圖像類別。圖6和圖7中的(c)隨機(jī)展示了cDCGAN模型訓(xùn)練50輪后的生成圖像，雖然生成圖像與原始圖像相比還存在一定的差距，但是，與訓(xùn)練20輪的圖像相比，50輪后的圖像明顯更加清晰，也基本具備了與真實(shí)圖像相似的特征信息。因此這些生成的圖像可以擴(kuò)大數(shù)據(jù)集，并具備提高半監(jiān)督模型的分類精度的可能性。

圖6 UC-Merced原始數(shù)據(jù)集與CSSL中生成的部分圖像

圖7 NWPU-RESISC45原始數(shù)據(jù)集與CSSL生成的部分圖像

表1 UC-Merced數(shù)據(jù)集中CSSL與其他方法分類精度對(duì)比 %

表2 NWPU-RESISC45數(shù)據(jù)集中CSSL與其他方法分類精度對(duì)比 %

4 結(jié)束語(yǔ)

本文結(jié)合自訓(xùn)練算法和協(xié)同訓(xùn)練算法的優(yōu)勢(shì)設(shè)計(jì)了基于生成對(duì)抗網(wǎng)絡(luò)的半監(jiān)督分類模型CSSL。該方法不僅能生成大量無(wú)標(biāo)簽的樣本，增廣了遙感數(shù)據(jù)集，并且能夠充分利用這些數(shù)據(jù)達(dá)到提高分類精度的效果，緩解決了有監(jiān)督分類需要用到大量有標(biāo)簽數(shù)據(jù)的問(wèn)題。通過(guò)UC-Merced以及NWPU-NWPU-RESISC45數(shù)據(jù)集設(shè)計(jì)對(duì)比實(shí)驗(yàn)對(duì)本文提出的CSSL模型進(jìn)行性能分析。經(jīng)過(guò)生成圖像對(duì)比實(shí)驗(yàn)以及總分類精度證明了本方法的優(yōu)越性。