用于高光谱图像分类的自适应 DropBlock 增强生成对抗网络
计算机视觉与模式识别
2022-01-25 v1 图像与视频处理
摘要
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 的分类方法能在一定程度上缓解训练样本有限的困境。然而，若干研究指出，现有的基于 GAN 的 HSI 分类方法深受训练数据不平衡问题的困扰。GAN 中的判别器总是自相矛盾，并试图将伪标签关联到少数类样本，从而损害分类性能。另一个关键问题是基于 GAN 的方法中的模式崩溃。生成器只能在生产数据空间内狭窄范围内的样本，这严重阻碍了基于 GAN 的 HSI 分类方法的发展。本文中，我们提出了一种用于 HSI 分类的自适应 DropBlock 增强生成对抗网络（ADGAN）。首先，为解决训练数据不平衡问题，我们将判别器调整为单一分类器，其将不再自相矛盾。其次，提出一种自适应 DropBlock（AdapDrop）作为正则化方法应用于生成器与判别器中，以缓解模式崩溃问题。AdapDrop 生成具有自适应形状的丢弃掩码而非固定大小区域，从而减轻了 DropBlock 在处理具有各种形状的地面物体时的局限性。在三个 HSI 数据集上的实验结果表明，所提出的 ADGAN 优于最先进的基于 GAN 的方法。我们的代码见 https://github.com/summitgao/HC_ADGAN
引用
@article{arxiv.2201.08938,
title = {Adaptive DropBlock Enhanced Generative Adversarial Networks for Hyperspectral Image Classification},
author = {Junjie Wang and Feng Gao and Junyu Dong and Qian Du},
journal= {arXiv preprint arXiv:2201.08938},
year = {2022}
}