CC BY
3
Секция «Программные средства и информационные технологии»
УДК 004.657
ГЕНЕРАТИВНАЯ СОСТЯЗАТЕЛЬНАЯ СЕТЬ ДЛЯ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ
Нишчхал
Научный руководитель -М. Н. Фаворская
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
nik.321g@yandex.ru
В статье рассматривается проблема дистанционного зондирования Земли и предлагается решение на основе генеративной состязательной сети.
Ключевые слова: дистанционное зондирование, генеративные состязательные сети, автокодировщики, дискриминатор, Генератор.
GENERATIVE ADVERSARIAL NETWORK FOR REMOTE SENSING OF EARTH
Nishchhal Scientific supervisor -M. N. Favorskaya
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarskii rabochii prospekt, Krasnoyarsk, 660037, Russian Federation
nik.321g@yandex.ru
The article talks about the problem in remote sensing of earth and proposed a solution based on generative adversarial network.
Keywords: Remote sensing, Generative adversarial network, Encoder, Discriminator, Generator.
Введение
Основное назначение дистанционного зондирования Земли (ДЗЗ) заключается в обнаружении и изучении оптических, мультиспектральных и гиперспектральных данных. В настоящее время для этих целей применяются методы глубокого обучения, в основном, с учителем для получения семантических карт [1]. Несмотря на хорошую точность классификации, методы глубокого обучения с учителем требуют больших аннотированных наборов данных ДЗЗ, особенно при использовании временных изменений данных ДЗЗ [2]. С этой точки зрения интерес представляют методы машинного обучения без учителя.
Введение автокодировщиков (auto encoder) в качестве метода обучения без учителя позволило извлекать точные представления данных через скрытые слои (слой, относительно которого сеть является симметричным) и методы обратного распространения. Автокодировщики обычно состоят из двух компонентов: кодировщика и декодера. Кодер считывает ввод и сжимает его до компактного представления, в то время как декодер использует данное представление, чтобы попытаться воссоздать входные данные. Целью использования такого процесса в задачах ДЗЗ является изучение интерпретируемых представлений данных с минимально возможной ошибкой восстановления, которые впоследствии могут быть использованы для выполнения классических методов кластеризации, таких как k-средних, и интерпретации экспертами. Однако автокодировщики
Актуальные проблемы авиации и космонавтики - 2021. Том 2
сложно обучить [3]. В последнее время вариационные автокодировщики позволяют выполнять как обучение, так и генерацию образцов данных, используя пространство скрытых переменных. Однако такие сгенерированные образцы немного размыты, а полученные представления довольно неточны.
Генеративные состязательные сети
В качестве решения этой проблемы предлагается использовать генеративные модели на основе кодировщика с функцией восстановления потерь. Новый класс моделей глубокого обучения, который позволяет не только изучать содержимое изображений без учителя, но и генерировать новые образцы, имитирующие наборы данных. Генеративные состязательные сети (GAN) могут изучать интерпретируемые представления из наборов данных ДЗЗ без контроля учителя. Такой подход представляет процесс обучения как соревнование двух отдельных сетей: сети генератора и сети дискриминатора. Генератор попытается сгенерировать поддельные изображения, которые обманывают дискриминатор, заставляя его «думать», что они настоящие, в то время как дискриминатор пытается различить реальное и сгенерированное изображение. Каждый раз, когда дискриминатор замечает разницу между двумя образцами, генератор слегка корректирует свои параметры, чтобы получить более реалистичные образцы. Обе сети улучшают свои параметры до тех пор, пока дискриминатор больше не сможет различать реальное и сгенерированное изображения. После этого обученный генератор воспроизводит истинное распределение данных, а дискриминатор будет случайным образом угадывать вид распределения [4].
+ Reconstruction Loss +
Рис 1. Модель генеративной состязательной сети для анализа данных ДЗЗ
В представленной работе применяются две основные генеративные состязательные сетевые архитектуры, используемые для генерации RGB-изображений с высоким разрешением. Сначала мы развертываем Deep convolutional generative adversarial model, в которой и генератор, и дискриминатор являются сверточными нейронными сетями классического типа. В этом случае дискриминатор используется, чтобы указать, какие
Секция «Про граммные средства и информацио иные техно ло гии»
статистические данные заслуживают сопоставления (сопоставление функций) в выборках набора данных ДЗЗ, как представлено на рис. 1. Создание карты спутникового изображения сопровождается дополнительным шумом. Дискриминатор также получает условную информацию от встраивания спутникового изображения. Генератор представляет собой две сети кодировщика/декодера, которые обучаются создавать поддельные образцы, в то время как дискриминатор принимает реальные или сгенерированные изображения. После обучения дискриминатор измеряет, насколько хорошо произвольное изображение вписывается в реальное распределение изображений, устанавливая границу между реальными и поддельными выборками.
Заключение
Предлагаемые генеративные состязательные сети могут обеспечить эффективное изучение представлений данных на основе извлечения признаков. После преобразования такие признаки используются для различных приложений анализа изображений, а именно для задач неконтролируемой кластеризации данных. Например, для автоматической кластеризации типов местности в многоспектральном наборе данных используется метод кластеризации ^-средних. Кроме того, использование GANs может быть расширено до анализа изображений временных рядов для обнаружения изменений.
Библиографические ссылки
1. D. Lin, K. Fu, Y. Wang, G. Xu and X. Sun, "MARTA GANs: Unsupervised Representation Learning for Remote Sensing Image Classification," in IEEE Geoscience and Remote Sensing Letters, vol. 14, no. 11, pp. 2092-2096, Nov. 2017.
2 I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, and Y. Bengio, "Generative adversarial nets," in Advances in neural information processing systems, 2014, pp. 2672- 2680.
3. Dumitru, C.O.; Schwarz, G.; Datcu, M. Land cover semantic annotation derived from highresolution SAR images. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2016, 9, 2215-2232.
4. Gatys, L.A.; Ecker, A.S.; Bethge, M. Image style transfer using convolutional neural networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 27-30 June 2016; pp. 2414-2423.
© Нишчхал, 2021
