基于改进DCGAN算法的遥感数据集增广方法

摘要：

遥感数据集规模是深度学习目标检测算法性能的关键,如何利用少量数据生成大量标注图像成为当前的研究热点.针对这一问题,结合二次掩模技术,提出一种基于改进DCGAN算法的遥感数据集增广方法,自定义目标个数与位置,实现图像与标签的扩增,解决了基于GAN图像增广算法中无对应标签生成的问题.同时,针对DCGAN算法生成图像质量不高的问题,提出多尺度特征融合技术,优化DCGAN算法,提升图像质量.实验表明,在MNIST和PlANE两种数据集上,改进DC-GAN算法生成的图像质量与图像多样性均优于DCGAN算法;在利用Tiny-YoloV2算法设计的验证实验中发现,所提算法增广的数据集,检测AP值高达85.45％,相对未增广算法与传统增广方法,AP值分别提高了16.05％和2.88％,验证了算法的有效性.

关键词：DCGAN、遥感图像、目标检测、数据集增广、多特征图、特征融合

所属期刊栏目：48

分类号：TP751(遥感技术)

在线出版日期：2021-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：80-84