SiftingGAN:生成与筛选带标签样本以体外提升遥感图像场景分类基线
计算机视觉与模式识别
2019-07-24 v4
摘要
标注样本的缺乏极大限制了深度学习在遥感图像场景分类中的直接应用。尽管已有研究通过多种图像变换操作进行数据增强来解决此问题,但其在数量与多样性上仍有限。近来,基于无监督学习的生成对抗网络(GANs)的出现为我们提供了一种生成增强样本的新途径。然而,此类 GAN 生成的样本目前仅用于训练 GAN 模型自身以及内部提升 GAN 中判别器的性能(体内)。与广泛使用的变换样本相比,GAN 生成的样本能否有助于更好地提升其他深度学习网络(体外)的场景分类性能,成为一个备受质疑的问题。为回答该问题,本文提出一种 SiftingGAN 方法,以生成数量更多、多样性更强且更真实的带标签样本用于数据增强。SiftingGAN 以在线输出法用于样本生成、生成模型筛选法用于模型筛选、带标签样本判别法用于样本筛选,扩展了传统 GAN 框架。在知名 AID 数据集上的实验表明,所提 SiftingGAN 方法不仅能有效提升无数据增强时所达场景分类基线的性能,还显著优于基于传统几何/辐射变换方法的对比方法。
引用
@article{arxiv.1809.04985,
title = {SiftingGAN: Generating and Sifting Labeled Samples to Improve the Remote Sensing Image Scene Classification Baseline in vitro},
author = {Dongao Ma and Ping Tang and Lijun Zhao},
journal= {arXiv preprint arXiv:1809.04985},
year = {2019}
}
备注
5 pages, 5 figures, 1 tables