Generative Adversarial Networks auf Basis kollaborativen Lernens und Aufmerksamkeitsmechanismen für die Klassifikation hyperspektraler Bilder

Die Klassifizierung hyperspektraler Bilder (HSIs) bei begrenzten Trainingsbeispielen stellt eine herausfordernde Aufgabe dar. Generative adversarielle Netzwerke (GANs) sind eine vielversprechende Technik, um das Problem der geringen Stichprobengröße zu mildern. GANs generieren neue Beispiele durch den Wettbewerb zwischen einem Generator und einem Diskriminators. Allerdings ist es schwierig, hochwertige Beispiele für HSIs mit komplexer räumlich-spektraler Verteilung zu erzeugen, was die Leistungsfähigkeit des Diskriminators weiter verschlechtern kann. Um dieses Problem anzugehen, wird ein symmetrisches convolutionales GAN basierend auf kooperativem Lernen und Aufmerksamkeitsmechanismus (CA-GAN) vorgestellt. Im CA-GAN konkurrieren der Generator und der Diskriminator nicht nur miteinander, sondern arbeiten auch kooperativ zusammen. Die flachen bis tiefen Merkmale echter multiklassiger Beispiele im Diskriminator unterstützen die Generierung von Beispielen im Generator. Im Generator wird ein gemeinsamer räumlich-spektraler Hard-Aufmerksamkeitsmodul entwickelt, das auf einer dynamischen Aktivierungsfunktion basiert, die mittels eines mehrästigen convolutionalen Netzwerks definiert wird. Dieser Modul zwingt die Verteilung der generierten Beispiele, sowohl in spektraler als auch in räumlicher Dimension der Verteilung der echten HSIs zu entsprechen, und eliminiert gleichzeitig irreführende und verwirrende Informationen. Im Diskriminator wird eine convolutionale LSTM-Schicht integriert, um gleichzeitig räumliche Kontextmerkmale zu extrahieren und langfristige spektrale Abhängigkeiten zu erfassen. Schließlich wird die Klassifizierungseffizienz des Diskriminators durch die gleichzeitige Förderung von konkurrierendem und kooperativem Lernen zwischen Diskriminator und Generator verbessert. Experimente an HSI-Datensätzen zeigen, dass CA-GAN im Vergleich zu fortschrittlichen Methoden zufriedenstellende Klassifizierungsergebnisse erzielt, insbesondere dann, wenn die Anzahl der Trainingsbeispiele begrenzt ist.