Page 192 - 测绘新技术的理论与实践研究
P. 192
测绘新技术的理论与实践研究
所示。全标签指样片上的居民地全部有标签，而部分标签则是指图像上不是全部
居民地都有标签，原因可能是某些居民地不属于上述两种类型，不在学习的范围，
也可能是漏标或者范围过小没有标注，当然部分标签不会影响训练。
图 5-7 CGAN 实验样片示例
由于其他地物影像的干扰，真正的全标签样片不是很多。实验只能从标签相
对较好的样片中挑选了 42 张作为测试数据，其余样片作为训练数据。
2. 网络及其参数设置
网络结构采用了 Radford 等人提出深度卷积生成式对抗网络（DCGAN）。
DCGAN 将监督学习的 CNN 和无监督学习的 GAN 结合到了一起，并对 CNN 模
型结构进行了以下的调整：①所有的卷积网络用 stridedconvolutions 来替换空
间池化函数（如最大池化），其中，判别模型中用 stridedconvolutions 替代，
生成模型中用 fractional-stridedconvolutions 替代；②使用 Batch 正则化（Batch
Normalization，BN）处理，有助于解决差的初始化引起的训练问题，且有助于
深层模型中的梯度流动，而且可以防止生成模型把所有的样本都收敛到同一个点。
直接将 BN 应用到所有层会导致样本震荡和模型不稳定，不对生成网络的输出层
和判别网络的输入层应用 BN 可以防止这种现象。③移除全连接层。直接将卷积
最高层分别连接至输入和输出，效果较好。④生成模型的输出层采用 Sigmoid，
其他所有层采用 ReLU。判别模型的所有层使用 LeakyReLU。
3. 实验结果
将训练数据输入网络，总共训练 40O 次。截取训练 100、200、300 和 400 次
模型的生成结果。可以看出，随着训练次数的增加，输出结果越来越趋近标签数
180
