用于高光谱图像分类的生成对抗网络与条件随机场
图像与视频处理
2019-05-14 v1 计算机视觉与模式识别
机器学习
摘要
本文中，我们采用基于生成对抗网络与条件随机场（GAN-CRF）的框架处理高光谱图像（HSI）分类任务，该框架集成了半监督深度学习与概率图模型，并作出三点贡献。首先，我们设计了四类考虑 HSI 特性的卷积与转置卷积层，以助于从有限数量的标注 HSI 样本中提取判别性特征。其次，我们构建半监督 GAN，通过为其添加标签并借助对抗训练隐式重建真实 HSI 数据分布，来缓解训练样本匮乏。第三，我们在随机变量上构建稠密条件随机场（CRF），这些变量初始化为已训练 GAN 的 softmax 预测，并以 HSI 为条件来精化分类图。该半监督框架通过博弈论方法结合了判别模型与生成模型的优势。此外，尽管我们仅使用了两个最具挑战性且被广泛研究的数据集中极少量的标注训练 HSI 样本，实验结果表明谱-空 GAN-CRF（SS-GAN-CRF）模型在半监督 HSI 分类中取得了顶尖精度。
引用
@article{arxiv.1905.04621,
title = {Generative Adversarial Networks and Conditional Random Fields for Hyperspectral Image Classification},
author = {Zilong Zhong and Jonathan Li and David A. Clausi and Alexander Wong},
journal= {arXiv preprint arXiv:1905.04621},
year = {2019}
}
备注
Accepted by IEEE T-CYB