基于波段保留与对抗生成网络的高光谱遥感数据增强方法

1.本发明属于数据增强技术领域，具体涉及一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法。


背景技术：

2.在以神经网络为代表的深度学习方法被提出后，其在计算机视觉领域得到了广泛应用。同时，研究人员提出了多种基于神经网络变体针对高光谱遥感图像的分类策略，其中的主要代表是dbn(深度置信网络)、rnn(循环神经网络)、gcn(图卷积神经网络)、cnn(卷积神经网络)等神经网络架构。上述技术方案通过神经元或者卷积层自适应提取目标数据集的典型特征进行分类识别，在数据充足的情况下可以达到理想的精度。但是在高光谱数据应用场景往往面临着小样本问题和数据不均衡问题。研究人员为了缓解这种问题，使用了不同的数据增强策略。数据增强策略从根源出发，充分发掘现有数据的信息表达能力，对数据进行扩增生成。
3.当前，对于高光谱遥感数据广泛应用的数据增强方法为以下几种，一种是传统的数据增强方法，保留原始数据的部分特征或者将原始数据进行简单变换，虽然这些方法有时简便高效，但是它们无法引入一些利于提高分类网络鲁棒性的非线性特征，有时无法起效。一种是使用gan网络直接进行生成新的数据，将gan与分类器相融合，以此来提高分类精度，但是gan网络难以训练难以收敛，经常遇到梯度爆炸、梯度消失等现象，gan是基于原始数据生成再现数据，有时无法对原始数据的重要特征进行良好的再现，并且有时会因为新的数据引入了过多非线性特征从而误导分类器，造成分类精度不升反降的现象。


技术实现要素：

4.为了解决现有技术中存在的上述问题，本发明提供了一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法。本发明要解决的技术问题通过以下技术方案实现：
5.本发明提供了一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法，包括：
6.步骤1：获取高光谱遥感数据集中需要进行扩增增强的类别和对应的数据样本，构成小样本训练集；
7.步骤2：对于每一个需要进行扩增增强的类别，构建对应的gan网络，利用噪声数据和小样本训练集中每个类别的样本数据集对对应的gan网络分别进行训练；
8.步骤3：将随机噪声和类别标签输入至对应训练完成的gan网络中，生成每个类别的虚假数据集，将所述虚假数据集和相应类别的样本数据集中的数据进行波段融合，得到每个类别对应的混合数据集，所述混合数据集作为需要进行扩增增强类别的扩增数据。
9.在本发明的一个实施例中，在所述步骤2中，利用噪声数据和小样本训练集中一个类别的样本数据集对对应的gan网络进行训练，包括以下步骤：
10.步骤a：将噪声数据输入至gan网络的生成器中，生成虚假训练数据集；
11.步骤b：采用向下取整的方式将所述样本数据集划分为样本数量相同的第一真实数据集和第二真实数据集；
12.步骤c：将所述第一真实数据集和所述虚假训练数据集中的数据进行波段融合，形成融合数据集；
13.步骤d：将所述虚假训练数据集和所述融合数据集作为假数据，将所述第一真实数据集和所述第二真实数据集作为真数据，输入至所述gan网络的鉴别器中，进行对抗训练，计算损失值并根据损失值更新gan网络的鉴别器和生成器的网络参数，直至达到预设的训练次数，得到训练完成的gan网络。
14.在本发明的一个实施例中，在所述步骤a中，生成的所述虚假训练数据集的大小为对应类别的样本数据集大小的一半。
15.在本发明的一个实施例中，所述步骤c包括：将所述第一真实数据集和所述虚假训练数据集中的数据一一对应进行波段融合，生成对应的融合数据，所有融合数据构成所述融合数据集，其中，波段融合包括以下步骤：
16.步骤
①
：将所述第一真实数据集中的一个数据与所述虚假训练数据集中对应的一个数据，分别进行光谱维度的切分，得到对应的多个波段数据；
17.步骤
②
：按照下式计算得到每个波段的波段分数：
18.scorei＝kl[p(xi)||(i)]+((i))；
[0019][0020]
式中，scorei表示第i个波段的波段分数，kl表示kl散度，σ表示方差，(i)表示真实数据的第i个波段的分布，g(zi)表示虚假数据的第i个波段的分布；
[0021]
步骤
③
：将每个波段的波段分数，按照从低到高排列得到波段分数序列；
[0022]
步骤
④
：构建混合序列m(s)，混合序列m(s)的长度与多个波段的个数相同，混合序列m(s)中的元素与多个波段一一对应，初始化混合序列m(s)，令混合序列m(s)中每个元素值均为0；
[0023]
步骤
⑤
：根据所述波段分数序列更新混合序列m(s)，将位于波段分数列表前百分之六十的波段，在混合序列m(s)中对应元素的数值变为1；
[0024]
步骤
⑥
：按照下式计算得到融合数据，
[0025]
x_mixture＝(1-m(s))
⊙
g(z)+m(s)
⊙
p(x)；
[0026]
式中，x_mixture表示融合数据，(1-m(s))表示对混合序列m(s)中每个元素取反，g(z)表虚假数据的分布，g(z)＝(z1，z2，
…
zi…
，zn)，p(x)表示真实数据的分布，p(x)＝(x1，x2，
…
xi…
，xn)，n为波段数，
⊙
表示对应位置相乘，其中，(1-m(s))和m(s)中的元素1表示与其相乘的该波段数据保留，元素0表示与其相乘的该波段丢弃。
[0027]
在本发明的一个实施例中，在所述步骤d中，在对抗训练时，gan网络的鉴别器的损失函数为：
[0028]
[0029]
式中，表示鉴别器对于第一真实数据集输出的值，p1表示第一真实数据集的分布，表示鉴别器对于第二真实数据集输出的值，p2表示第二真实数据集的分布，表示鉴别器对于融合数据集输出的值，p
mixture
表示融合数据集的分布，表示鉴别器对于虚假训练数据集输出的值，pg表示虚假训练数据集的分布，λ表示梯度惩罚中的超参数，表示对于虚假训练数据集的分布输入鉴别器的梯度，|| ||2表示二阶范数；
[0030]
gan网络的生成器的损失函数为：
[0031][0032]
与现有技术相比，本发明的有益效果在于：
[0033]
本发明的基于波段保留与对抗生成网络的高光谱遥感数据增强方法，将传统的特征保留数据增强策略与基于gan网络的数据增强方法相融合，并创造性的应用于高光谱遥感数据，根据高光谱图像波段数目多的特点并结合gan网络生成数据质量，设计了全新的波段选择融合策略，将波段选择融合策略融入gan的训练过程，并构建了一个全新的gan网络，为了增加gan网络生成样本的多样性，设计了全新的gan网络训练流程，本发明的高光谱遥感数据增强方法，有效缓解了高光谱遥感领域中分类问题中遇到的小样本问题和数据类别不均衡问题，提高了分类的精确度。
[0034]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
[0035]
图1是本发明实施例提供的一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法的示意图；
[0036]
图2是本发明实施例提供的一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法的整体框架示意图；
[0037]
图3是本发明实施例提供的一种波段选择融合策略示意图；
[0038]
图4是本发明实施例提供的一种gan网络训练过程示意图。
具体实施方式
[0039]
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法进行详细说明。
[0040]
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
[0041]
实施例一
[0042]
请结合参见图1和图2，图1是本发明实施例提供的一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法的示意图；图2是本发明实施例提供的一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法的整体框架示意图。如图所示，本实施例的基于波段保留与对抗生成网络的高光谱遥感数据增强方法，包括：
[0043]
步骤1：获取高光谱遥感数据集中需要进行扩增增强的类别和对应的数据样本，构成小样本训练集；
[0044]
在一个可选地实施方式中，可使用分类网络对指定高光谱遥感数据集进行预训练，得到预训练结果，记录其中分类结果差(即分类准确率低于平均值)的样本类别，例如，lable_i，lable_j
…
lable_k。将这些样本类别记录为需要进行扩增增强的类别。
[0045]
根据需要进行扩增增强的类别，将该类别对应的数据样本从高光谱遥感数据集选取出，构成小样本训练集：dataset_i，dataset_j
……
dataset_k。这些小样本训练集用于训练本实施例的gan网络(对抗生成网络)。
[0046]
步骤2：对于每一个需要进行扩增增强的类别，构建对应的gan网络，利用噪声数据和小样本训练集中每个类别的样本数据集对对应的gan网络分别进行训练；
[0047]
在本实施例中，为了充分学习样本特征与后续方便调用，设计训练与小样本训练集的类别相同数量的gan网络。
[0048]
请参见图4，图4是本发明实施例提供的一种gan网络训练过程示意图。如图所示，在本实施例中，利用噪声数据和小样本训练集中一个类别的样本数据集对对应的gan网络进行训练，包括以下步骤：
[0049]
步骤a：将噪声数据输入至gan网络的生成器中，生成虚假训练数据集；
[0050]
在一个可选地实施方式中，生成的虚假训练数据集的大小为对应类别的样本数据集大小的一半，采用向下取整的方式。
[0051]
步骤b：采用向下取整的方式将样本数据集划分为样本数量相同的第一真实数据集和第二真实数据集；
[0052]
步骤c：将第一真实数据集和虚假训练数据集中的数据进行波段融合，形成融合数据集；
[0053]
在一个可选地实施方式中，步骤c包括：将第一真实数据集和虚假训练数据集中的数据一一对应进行波段融合，生成对应的融合数据，所有融合数据构成融合数据集。
[0054]
在本实施例中，构建一个波段选择与融合模块利用波段选择融合策略进行波段融合，请参见图3所示的本发明实施例提供的一种波段选择融合策略示意图，具体地，波段融合包括以下步骤：
[0055]
步骤
①
：将第一真实数据集中的一个数据与虚假训练数据集中对应的一个数据，分别进行光谱维度的切分，得到对应的多个波段数据；
[0056]
步骤
②
：按照下式计算得到每个波段的波段分数：
[0057]
scorei＝kl[p(xi)||(i)]+((i))(1)；
[0058][0059]
式中，scorei表示第i个波段的波段分数，kl表示kl散度，σ表示方差，(i)表示真实
数据的第i个波段的分布，g(zi)表示虚假数据的第i个波段的分布；
[0060]
那么，最终计算得到的多个波段的波段分数为：
[0061]
score＝(score1，score2，
…
scorei…
，scoren)(3)；
[0062]
式中，n为波段数。
[0063]
在本实施例中，kl散度用于衡量真实波段与生成的虚假波段之间的相似程度，kl散度越大说明生成的虚假波段的质量越差，score值就会越大，就倾向于保留真实波段，反之亦然。而方差越大，说明这个波段包含更丰富的信息，score值越大，更倾向于保留这个波段。
[0064]
步骤
③
：将每个波段的波段分数，按照从低到高排列得到波段分数序列；
[0065]
示例性地，波段分数列表，可表示为：
[0066]
scorelist＝[scorei,corej,corek……
scoren](4)。
[0067]
步骤
④
：构建混合序列m(s)，混合序列m(s)的长度与多个波段的个数相同，混合序列m(s)中的元素与多个波段一一对应，初始化混合序列m(s)，令混合序列m(s)中每个元素值均为0；
[0068]
示例性地，假设在步骤
①
中进行光谱维度的切分后，得到的n个波段数据，在初始化的混合序列m(s)表示为：m(s)＝[0,0,0
…
,0]，其中，m(s)包含n个元素，其中，m(s)中第一个元素对应第一个波段，第二个元素对应第五个波段，以此类推。
[0069]
可选地，m(s)为面具mask函数。
[0070]
步骤
⑤
：根据波段分数序列更新混合序列m(s)，将位于波段分数列表前百分之六十的波段，在混合序列m(s)中对应元素的数值变为1；
[0071]
示例性地，将m(s)更新为如下形式：
[0072]
m(s)＝[1,0,1
…
0](5)。
[0073]
步骤
⑥
：按照下式计算得到融合数据，
[0074]
x_mixture＝(1-m(s))
⊙
g(z)+m(s)
⊙
p(x)(6)；
[0075]
式中，x_表示融合数据，(1-())表示对混合序列m(s)中每个元素取反，g(z)表虚假数据的分布，g(z)＝z1，z2，
…
zi…
，zn)，p(x)表示真实数据的分布，p(x)＝x1，x2，
…
xi…
，xn)，n为波段数，
[0076]
⊙
表示对应位置相乘，其中，(1-())和m(s)中的元素1表示与其相乘的该波段数据保留，元素0表示与其相乘的该波段丢弃。
[0077]
示例性地，当n＝4时，假设m(s)＝(1,0,0,1)，那么，1-m(s))＝(0,1,1,0)，则，
[0078]
x_mixture＝(0,1,1,0)
⊙
(z1，z2，z3，z4)+(1,0,0,1)
⊙
(x1，x2，x3，x4)
[0079]
＝(0，z2，z3，0)+(x1，0，0，x4)
[0080]
＝(x1，z2，z3，x4)
[0081]
(7)；
[0082]
步骤d：将虚假训练数据集和融合数据集作为假数据，将第一真实数据集和第二真实数据集作为真数据，输入至gan网络的鉴别器中，进行对抗训练，计算损失值并根据损失值更新gan网络的鉴别器和生成器的网络参数，直至达到预设的训练次数，得到训练完成的gan网络。
[0083]
在本实施例中，真数据与假数据具有相同的大小。
[0084]
在本实施例中，在对抗训练时，gan网络的鉴别器的损失函数为：
[0085][0086]
式中，表示鉴别器对于第一真实数据集输出的值，p1表示第一真实数据集的分布，表示鉴别器对于第二真实数据集输出的值，p2表示第二真实数据集的分布，表示鉴别器对于融合数据集输出的值，p
mixture
表示融合数据集的分布，表示鉴别器对于虚假训练数据集输出的值，pg表示虚假训练数据集的分布，λ表示梯度惩罚中的超参数，表示对于虚假训练数据集的分布输入鉴别器的梯度，||||2表示二阶范数。
[0087]
在本实施例中，鉴别器的损失函数，主要针对真数据集与假数据集，损失函数中最后一项为梯度惩罚项，针对生成器的生成的虚假数据。
[0088]
在本实施例中，在对抗训练时，gan网络的生成器的损失函数为：
[0089][0090]
在本实施例中，生成器的损失函数，主要由两部分假的数据集组成，生成器生成的虚假数据与融合生成的融合数据。
[0091]
步骤3：将随机噪声和类别标签输入至对应训练完成的gan网络中，生成每个类别的虚假数据集，将虚假数据集和相应类别的样本数据集中的数据进行波段融合，得到每个类别对应的混合数据集，混合数据集作为需要进行扩增增强类别的扩增数据。
[0092]
在本实施例中，波段融合步骤与gan网络训练过程中的波段融合步骤类似，在此不再赘述。
[0093]
在本实施例中，两次使用了波段选择融合策略进波段融合，但是作用不同。在gan网络的训练过程中，加入波段选择融合策略，是为了增加训练的稳定性，提高训练速度。同时只将一半真实数据进行混合，并不引入所有的特征，也给生成器一定空间发挥。而在生成扩增数据部分加入波段选择融合策略，是为了最终得到想要的混合数据。
[0094]
在一个可选地实施方式中，根据上述步骤获取的扩增数据可加入高光谱遥感数据集中作为训练数据共同对分类网络进行训练。
[0095]
本发明实施例的基于波段保留与对抗生成网络的高光谱遥感数据增强方法，将传统的特征保留数据增强策略与基于gan网络的数据增强方法相融合，并创造性的应用于高光谱遥感数据，根据高光谱图像波段数目多的特点并结合gan网络生成数据质量，设计了全新的波段选择融合策略，将波段选择融合策略融入gan的训练过程，并构建了一个全新的gan网络，为了增加gan网络生成样本的多样性，设计了全新的gan网络训练流程，本发明实施例的高光谱遥感数据增强方法，有效缓解了高光谱遥感领域中分类问题中遇到的小样本问题和数据类别不均衡问题，提高了分类的精确度。
[0096]
实施例二
[0097]
为验证本发明的基于波段保留与对抗生成网络的高光谱遥感数据增强方法的效果，本实施例对本发明方法与当下研究领域较为流行的遥感图像分类增强方法进行对比实验。
[0098]
对比实验：
[0099]
选取了两种传统的数据增强方法：flip和radiation策略，选取了两种传统的gan生成网络数据增强方法：wgan和dcgan，最后选取三种针对高光谱数据进行过处理的gan生成网络数据增强方法：hsgan、3dgamo和ac-wgan-gp作为对比算法，对比算法的代码均以在相关网站开源。
[0100]
同时为了验证本发明策略的普适性，共选用了两个分类网络作为基准，分别为hamida网络和li网络。选取了indian pines(印度松树)、salinas(萨里纳斯)、pavia university(帕维亚大学)以及houston university(休斯顿大学)等四种常用的高光谱遥感图像数据集进行测试。为了凸显数据类别不均衡问题和小样本问题，在indianpines数据集选取10％的数据作为训练集；在salinas数据集，选取1％的数据作为训练集；人为制造了更加不平衡的paviau数据集和houston数据集：在paviau数据集中，将样本3,5,6,7比例固定为0.005，其余样本选取比例为0.04；在houston中将样本6,7,8,13的选取比例固定为0.01，其余样本选取比例为0.05，凸显遥感高光谱数据中的数据类别不均衡问题和小样本问题。实验过程中，除了选取的数据增强策略不同，其余实验条件均保持相同。
[0101]
选取了oa(总体分类精度)、aa(平均分类精度)以及kappa系数作为评价指标。其中，总体分类精度是指对于给定的测试数据集，分类器正确分类的样本数占总样本数的百分比。类别分类精度是指每个类别中被正确分类的样本数量占该类别所有样本个数。kappa系数的计算方法被定义为所有地物目标中被算法正确分类的像元总数与混淆矩阵对角线的和相乘后，减去某一类地物目标真实像元总数与该类中被分类像元总数之积对所有可能类别求和的结果，再除以总像元数的平方减去某一类地物目标真实像元总数与此被选类中被分类像元总数之积对所有类别求和的结果。
[0102]
将经过训练和分类后的结果列入表1至表4，可以发现相比对照算法，本发明所提出的数据增强方法在四个数据集上均取得了较好的分类结果。这意味着针对遥感图像分类问题，应用本发明提出的方法可以有效提升地物目标分类的准确度。
[0103]
表1 indian pines数据集训练分类结果
[0104][0105]
表2 pavia university数据集训练分类结果
[0106][0107]
表3 salinas数据集训练分类结果
[0108][0109]
表4 houston university数据集训练分类结果
[0110][0111]
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
[0112]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的
保护范围。

技术特征：
1.一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法，其特征在于，包括：步骤1：获取高光谱遥感数据集中需要进行扩增增强的类别和对应的数据样本，构成小样本训练集；步骤2：对于每一个需要进行扩增增强的类别，构建对应的gan网络，利用噪声数据和小样本训练集中每个类别的样本数据集对对应的gan网络分别进行训练；步骤3：将随机噪声和类别标签输入至对应训练完成的gan网络中，生成每个类别的虚假数据集，将所述虚假数据集和相应类别的样本数据集中的数据进行波段融合，得到每个类别对应的混合数据集，所述混合数据集作为需要进行扩增增强类别的扩增数据。2.根据权利要求1所述的基于波段保留与对抗生成网络的高光谱遥感数据增强方法，其特征在于，在所述步骤2中，利用噪声数据和小样本训练集中一个类别的样本数据集对对应的gan网络进行训练，包括以下步骤：步骤a：将噪声数据输入至gan网络的生成器中，生成虚假训练数据集；步骤b：采用向下取整的方式将所述样本数据集划分为样本数量相同的第一真实数据集和第二真实数据集；步骤c：将所述第一真实数据集和所述虚假训练数据集中的数据进行波段融合，形成融合数据集；步骤d：将所述虚假训练数据集和所述融合数据集作为假数据，将所述第一真实数据集和所述第二真实数据集作为真数据，输入至所述gan网络的鉴别器中，进行对抗训练，计算损失值并根据损失值更新gan网络的鉴别器和生成器的网络参数，直至达到预设的训练次数，得到训练完成的gan网络。3.根据权利要求2所述的基于波段保留与对抗生成网络的高光谱遥感数据增强方法，其特征在于，在所述步骤a中，生成的所述虚假训练数据集的大小为对应类别的样本数据集大小的一半。4.根据权利要求2所述的基于波段保留与对抗生成网络的高光谱遥感数据增强方法，其特征在于，所述步骤c包括：将所述第一真实数据集和所述虚假训练数据集中的数据一一对应进行波段融合，生成对应的融合数据，所有融合数据构成所述融合数据集，其中，波段融合包括以下步骤：步骤
①
：将所述第一真实数据集中的一个数据与所述虚假训练数据集中对应的一个数据，分别进行光谱维度的切分，得到对应的多个波段数据；步骤
②
：按照下式计算得到每个波段的波段分数：score
i
＝kl[p(x
i
)||(
i
)]+((
i
))；式中，score
i
表示第i个波段的波段分数，kl表示kl散度，σ表示方差，(
i
)表示真实数据的第i个波段的分布，g(z
i
)表示虚假数据的第i个波段的分布；步骤
③
：将每个波段的波段分数，按照从低到高排列得到波段分数序列；步骤
④
：构建混合序列m(s)，混合序列m(s)的长度与多个波段的个数相同，混合序列m(s)中的元素与多个波段一一对应，初始化混合序列m(s)，令混合序列m(s)中每个元素值均为0；
步骤
⑤
：根据所述波段分数序列更新混合序列m(s)，将位于波段分数列表前百分之六十的波段，在混合序列m(s)中对应元素的数值变为1；步骤
⑥
：按照下式计算得到融合数据，x_mixture＝(1-m(s))
⊙
g(z)+m(s)
⊙
p(x)；式中，x_mixture表示融合数据，(1-m(s))表示对混合序列m(s)中每个元素取反，g(z)表虚假数据的分布，g(z)＝(z1，z2，
…
z
i
…
，z
n
)，p(x)表示真实数据的分布，p(x)＝(x1，x2，
…
x
i
…
，x
n
)，n为波段数，
⊙
表示对应位置相乘，其中，(1-m(s))和m(s)中的元素1表示与其相乘的该波段数据保留，元素0表示与其相乘的该波段丢弃。5.根据权利要求2所述的基于波段保留与对抗生成网络的高光谱遥感数据增强方法，其特征在于，在所述步骤d中，在对抗训练时，gan网络的鉴别器的损失函数为：式中，表示鉴别器对于第一真实数据集输出的值，p1表示第一真实数据集的分布，表示鉴别器对于第二真实数据集输出的值，p2表示第二真实数据集的分布，表示鉴别器对于融合数据集输出的值，p
mixture
表示融合数据集的分布，表示鉴别器对于虚假训练数据集输出的值，p
g
表示虚假训练数据集的分布，λ表示梯度惩罚中的超参数，表示对于虚假训练数据集的分布输入鉴别器的梯度，|| ||2表示二阶范数；gan网络的生成器的损失函数为：

技术总结
本发明涉及一种基于波段保留与对抗生成网络的高光谱遥感数据增强方法，将传统的特征保留数据增强策略与基于GAN网络的数据增强方法相融合，并创造性的应用于高光谱遥感数据，根据高光谱图像波段数目多的特点并结合GAN网络生成数据质量，设计了全新的波段选择融合策略，将波段选择融合策略融入GAN的训练过程，并构建了一个全新的GAN网络，为了增加GAN网络生成样本的多样性，设计了全新的GAN网络训练流程，本发明的高光谱遥感数据增强方法，有效缓解了高光谱遥感领域中分类问题中遇到的小样本问题和数据类别不均衡问题，提高了分类的精确度。确度。确度。


技术研发人员：张明阳 王昭阳 公茂果 李豪 武越 王善峰 蒋祥明 冯丹
受保护的技术使用者：西安电子科技大学
技术研发日：2023.03.14
技术公布日：2023/8/5