为像素级分类生成困难样本

遥感中的像素级分类在像素级别上识别大规模基于卫星的图像中的实体。由于标注单个像素的挑战，用于像素级分类的完全标注大规模数据集很少。标注挑战不可避免地导致训练数据稀缺，从而引起分类器过拟合和分类性能下降。标注像素的缺乏也必然导致各种实体的困难样本很少，而这些样本对于生成鲁棒的分类超平面至关重要。为克服训练中的数据稀缺和困难样本缺乏问题，我们引入了一种两步困难样本生成（HEG）方法，首先生成困难样本候选，然后挖掘实际困难样本。第一步中，通过对抗学习框架同时欺骗判别器和像素级分类模型来学习生成困难样本候选的生成器。第二步中，从大量真实和人工生成的样本池中挖掘以构建固定数量的困难样本。为评估所提 HEG 方法的有效性，我们设计了一个适用于像素级分类的 9 层全卷积网络。实验表明，使用所提 HEG 方法生成的困难样本提升了像素级分类模型在赤潮检测和高光谱图像分类任务上的准确率。