Nov, 2017

利用生成对抗网络方法人工生成大数据以改善图像分类：以 SAR 数据为例

PDF
TL;DR本研究提出了一个 VHSR SAR 图片数据库，并且探讨了基于补丁的城市和城市周边区域分类。使用大型 CNN 分类模型和预训练网络来确定有效性，此外还运用生成对抗网络来生成数据测试数据对分类精度的影响。
发现论文，激发创造
  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • 使用 CNN 从 SAR 图像生成高质量可见光图像

    本文提出了一种基于生成对抗网络和级联卷积神经网络的新方法，用于从合成孔径雷达图像生成高质量的可见光图像，实验表明该方法在去斑和图像上色方面比目前的深度学习方法表现更好。

    Feb, 2018

  • 利用深度学习生成合成 SAR - 光学数据提高农作物分类的准确性

    利用合成孔径雷达和光学图像融合能够显著提高农作物分类的准确性，但是传统方法在处理少数类别农作物的训练数据方面仍存在限制。本研究中，我们探索了条件表生成对抗网络（CTGAN）作为一种基于深度学习网络的合成数据生成方法，以解决农作物分类中少数类别训练数据有限的挑战。研究结果表明，该方法可以生成高质量的合成数据，显著增加少数类别样本数量，从而提高农作物分类器的性能。

    Feb, 2024

  • 逐步增长的生成对抗网络在卫星影像高分辨率语义分割中的应用

    本研究使用递进增长的生成对抗网络对高分辨率卫星图像进行像素级分割，以分割建筑物屋顶。通过在 SpaceNet 版本 2 数据集上进行测试，相较于传统 GAN 训练，递进 GAN 训练获得了更高的测试准确性，达到了 93%。

    Feb, 2019

  • 基于图的 SAR 数据半监督分类主动学习

    使用基于图的学习和神经网络方法的结合体进行 SAR 数据分类，该方法可以在无需标记数据的情况下实现费用效益高的主动学习，并在需要 ATR 的应用中显示良好的推广性能。

    Mar, 2022

  • 基于生成对抗网络和概率图模型的高光谱图像分类

    本文介绍了一种使用生成式对抗网络与概率图模型相集成的方法来进行高光谱图像分类，试图提高分类精度并在数据利用率上更有效地使用大量未标注数据，实验结果表明，这种方法在使用少量数据进行训练时，获得了令人鼓舞的分类准确度。

    Feb, 2018

  • 生成式对抗网络实现的深度语义哈希

    本文介绍了一种基于 GANs 的新型监督哈希方法 Deep Semantic Hashing，通过针对大规模图像检索任务，利用半监督生成对抗网络在非标注大规模图像数据集和少量标注数据集的基础上生成高质量的综合数据，以此提升哈希搜索技术的效果和精度。实验证明，该方法比当前的深度哈希模型有着更好的效果。

    Apr, 2018

  • 基于感知行为的 SAR 图像解释图神经网络进行人类决策

    我们提出了一种基于图神经网络的自动目标识别框架，该框架不仅可以提供最终的分类类别，还可以输出对应的详细信息，实现了 99.2％的整体准确率，并超越了先前最先进的图神经网络方法。

    Jan, 2024

  • 使用生成对抗网络的无监督领域自适应在航空影像语义分割中的应用

    本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

    May, 2019

  • PSGAN：一种用于遥感图像全色增强的生成对抗网络

    本文提出 PSGAN，一种基于深度神经网络的遥感图像全色增强方法，旨在生成高质量的全色增强图像。通过试验和分析，它优于目前的主要解决方案，并且可以很好地推广到全尺寸图像。

    May, 2018