Deep Snow: Synthesizing Remote Sensing Imagery with Generative Adversarial Nets
Christopher X. Ren, Amanda Ziemann, James Theiler, Alice M.S. Durieux
概要
本作中吃溅，我們演示了生成式對抗網(wǎng)絡這種模型可以用于生成真實的普遍的RGB模式的遙感圖像的各種形態(tài)，即使在沒有配對的訓練數(shù)據(jù)集里。我們對真實圖像與生成圖像之間做距離度量的各種量化指標做了一些研究，它們可以提供區(qū)分兩種不同圖像的標準。此外，我們還深信，GANs將一些東西引入生成圖像后，雖然生成圖像和真實圖像看起來十分相似湘今，但在深度交叉的特征空間中有很大的差異。
深度學習剪菱，機器學習摩瞎，生成式對抗網(wǎng)絡
引言
把來自一個域的圖片與另一個域里與它對應的另一張圖片相匹配的任務被稱為圖像翻譯。這類任務有點像自然語言處理里的翻譯任務：就像不同語言可以用不同的方式表達同一個意思一樣孝常，一個給定的圖像也有可能在不同域里有不同的表示方式旗们。本作中，我們試圖生成跨季節(jié)的RGB的彩色遙感圖像构灸，我們尤其關注合成有雪覆蓋的那種圖像上渴，為此，我們用到了GANs模型，近段時間來這種模型挺流行的稠氮。本項工作的主要目的是探索GANs究竟能不能用來合成經(jīng)得起多種不同的檢測方法的高質量遙感圖像曹阔。
在遙感圖像處理領域應用GANs的熱潮已經(jīng)到來。特別是在圖像翻譯領域隔披，由于遙感圖像具有天生具有多模態(tài)的特性（赃份，所以其他方法未必能得出很好的結果）。迄今為止奢米，大部分的此類工作都是把各種圖像往多光譜上靠抓韩，因為多光譜圖像的解釋性相對來說還挺好，這些翻譯任務很少用到傳統(tǒng)的物理方法恃慧，而是采用機器學習的模型园蝠，因此渺蒿，轉換后的圖像大多都帶有一些合成信號*痢士。這些研究里比較常見的是SAR圖像翻譯，因為SAR圖像能透云茂装。已經(jīng)有人做過不配對的圖像翻譯結構怠蹂，也搞過用翻譯來“去雪”的任務，但Mohajerani等人真正想做的其實是保留云層信息來搞云分割少态，而且城侧，只能在30米分辨率這種level上起作用。我們展示了這樣一個事實彼妻，一個沒怎么修改過的基于GANs的結構就能從Sentinel-2衛(wèi)星收集的10米分辨率的數(shù)據(jù)里生成高質量的圖像嫌佑。盡管前人已經(jīng)證明了這種結構在異常檢測方面的可用性，但我們展示了量化的度量標準侨歉，能夠說明生成圖像的質量屋摇，還能評估數(shù)據(jù)轉換的可行性。
