美文网首页大数据，机器学习，人工智能机器学习与数据挖掘ArXiv笔记
利用GAN恢复光谱信息（Tran et al. 1812.047

利用GAN恢复光谱信息（Tran et al. 1812.047

作者: Kernholz | 来源:发表于2019-01-02 09:03 被阅读2次

论文链接

目前的超宽带（Ultra Wide Band, UWB）雷达系统一般工作在100MHz至数GHz之间。其在光谱方面存在两大局限性，一是混淆，也即其他电磁波源的干扰；二是缺失，因为部分频带被禁止使用。本文作者训练了一个GAN来解决这两个问题。

原文图1 SARGAN基本结构示意图

训练数据：若干SAR影像对，每一影像对由一幅正常影像和对其进行频带干扰（混淆或去除部分频段）后得到的图像组成。

生成器损失函数构建

首先是表示重构误差的内容损失函数

l_{content}(G_{\theta_G}(Z),X)=||M\cdot FG_{\theta_G}(Z)-M\cdot FX||_1

其中F为Fourier矩阵，M为二值掩膜矩阵，用以表示哪些波段未受到干扰。

为了提高重构质量，再引入对抗损失函数

l_{adversarial}(G_{\theta_G}(Z))=-\log D_{\theta_D}(G_{\theta_G}(Z))

其中D_{\theta_D}表示判别器，则此时生成器总的损失函数为

\mathcal{L}(G_{\theta_G}(Z),X)=l_{content}+\lambda l_{adversarial}

其中\lambda > 0

判别器损失函数构建

判别器的目标是下面这一最优化问题

\max_{\theta_D}E_{X\sim p_{data}(X)}[\log D_{\theta_D}(X)]+E_{Z\sim p_G(Z)}[1-\log D_{\theta_D}(G_{\theta_G}(Z))]

也即，尽可能准确地判别哪些属于原始影像，哪些属于生成器重构的影像。

结果

原文图2 原文图4

从上面两幅图可以看到，利用GAN来进行重构的结果是非常不错的。

相关文章

网友评论

    本文标题：利用GAN恢复光谱信息（Tran et al. 1812.047

    本文链接：https://www.haomeiwen.com/subject/egsalqtx.html

    延伸阅读

    深度阅读

    • 您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

    栏目导航

    热点阅读

    大数据，机器学习，人工智能

    机器学习与数据挖掘

    ArXiv笔记

    Geomatics（GIS，GPS，RS，Surveying）

    关于我们|服务条款|联系我们|利用GAN恢复光谱信息（Tran et al. 1812.047|投稿指南|网站地图|RSS订阅|排版工具|手机版

    提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

    Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网 版权所有

    备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

    本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

    所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！