基于生成对抗网络的遥感图像生成方法

摘要

近年来,生成对抗网络(GAN)在图像生成方面取得了较好的效果,开辟了深度学习最为炙手可热的研究方向之一.针对某些情况下遥感图像少且信息难以提取的问题,提出了一种基于生成对抗网络的方法来生成更多的遥感图像数据.该方法首先对现有的遥感数据集进行了初步处理;其次,构建了生成对抗网络模型的生成器和判别器;再次,利用生成器和判别器的相互博弈,提升生成器的生成能力和判别器的判别能力,直至生成器所生成的数据与原始数据难以分辨;最后,使用搬土距离(Earth-Mover Distance)代替JS散度(Jensen-Shannon divergence)作为损失函数的距离度量指标.实验结果表明,该网络在遥感图像生成的清晰度和模型的稳定性方面有更好的效果,并且基于定量的评估方法(FID)对实验结果进行了验证,相较于不同的损失函数,FID分数值分别降低了28.17和17.88.