公开(公告)号：CN110689086B

公开(公告)日：2020-09-25

申请号：CN201910948951.4

申请日：2019-10-08

Applicant: 郑州轻工业学院

Inventor： 钱晓亮 ,  李佳 ,  刘玉翠 ,  张建伟 ,  程塨 ,  姚西文 ,  王慰 ,  任航丽 ,  李祖贺 ,  王芳 ,  史坤峰 ,  曾黎

IPC: G06K9/62 ,  G06N3/08

Abstract: 本发明提出了一种基于生成式对抗网络的半监督高分遥感图像场景分类方法，构建EMGAN模型：将生成式对抗网络的判别器由二分类变为多分类获得EMGAN判别器，在生成式对抗网络的生成器中添加一个信息熵最大化网络获得EMGAN生成器；训练EMGAN模型：根据训练图像有无标签，将EMGAN判别器的损失函数分为监督部分和无监督部分；将EMGAN生成器的损失函数分成特征匹配损失函数和生成图像信息熵损失函数；EMGAN判别器和EMGAN生成器双方交替训练；微调VGGNet‑16模型；训练SVM模型；融合EMGAN模型和VGGNet‑16模型的特征并进行场景分类，得到分类结果。本发明在训练样本较少的情况下，能够有效提升遥感图像场景分类的精度。

公开(公告)号：CN110689086A

公开(公告)日：2020-01-14

申请号：CN201910948951.4

申请日：2019-10-08

Applicant: 郑州轻工业学院

Inventor： 钱晓亮 ,  李佳 ,  刘玉翠 ,  张建伟 ,  程塨 ,  姚西文 ,  王慰 ,  任航丽 ,  李祖贺 ,  王芳 ,  史坤峰 ,  曾黎

IPC: G06K9/62 ,  G06N3/08

Abstract: 本发明提出了一种基于生成式对抗网络的半监督高分遥感图像场景分类方法，构建EMGAN模型：将生成式对抗网络的判别器由二分类变为多分类获得EMGAN判别器，在生成式对抗网络的生成器中添加一个信息熵最大化网络获得EMGAN生成器；训练EMGAN模型：根据训练图像有无标签，将EMGAN判别器的损失函数分为监督部分和无监督部分；将EMGAN生成器的损失函数分成特征匹配损失函数和生成图像信息熵损失函数；EMGAN判别器和EMGAN生成器双方交替训练；微调VGGNet-16模型；训练SVM模型；融合EMGAN模型和VGGNet-16模型的特征并进行场景分类，得到分类结果。本发明在训练样本较少的情况下，能够有效提升遥感图像场景分类的精度。