㊀㊀第５０卷㊀第２期测㊀绘㊀学㊀报V o l．５０,N o．２㊀２０２１年２月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a F e b r u a r y,２０２１引文格式：郑凯，李建胜，王俊强，等．D C L SＧG A N：利用生成对抗网络的天绘一号卫星高原地区影像去云方法[J]．测绘学报,２０２１,５０(２):２４８Ｇ２５９．D O I:１０．１１９４７/j．A G C S．２０２１．２０２０００２０． Z H E N G K a i,L I J i a n s h e n g,WA N GJ u n q i a n g,e t a l．D C L SＧG A N:c l o u d r e m o v a lm e t h o d f o r p l a t e a u a r e a o fT HＧ１s a t e l l i t e i m a g e [J]．A c t aG e o d a e t i c a e tC a r t o g r a p h i c aS i n i c a,２０２１,５０(２):２４８Ｇ２５９．D O I:１０．１１９４７/j．A G C S．２０２１．２０２０００２０．
D C L SＧG A N：利用生成对抗网络的天绘一号卫星高原地区影像去云方法郑㊀凯１，李建胜１，王俊强２，欧阳文１，谷友艺３，张㊀迅１
１．信息工程大学，河南郑州４５０００１;２．７８１２３部队，四川成都６１００００;３．北京市遥感信息研究所，北京１００１９２
D C L SＧG A N:c l o u d r e m o v a lm e t h o d f o r p l a t e a ua r e ao f T HＧ１s a t e l l i t e i m a g e Z H
E N GK a i１,L I J i a n s h e n g１,W A N GJ u n q i a n g２,O U Y A N G W e n１,G UY o u y i３,Z H A N GX u n１
１．I n f o r m a t i o n E n g i n e e r i n g U n i v e r s i t y,Z h e n g z h o u４５０００１,C h i n a;２．７８１２３T r o o p s,C h e n g d u６１００００,C h i n a;３．B e i j i n g I n s t i t u t eo f R e m o t eS e n s i n g I n f o r m a t i o n,B e i j i n g１００１９２,C h i n a
A b s t r a c t:I t h a s b e e na r e s e a r c hh o t s p o t t oa p p l y d e e p l e a r n i n g t o r e m o v ec l o u do ns a t e l l i t e i m a g e s．I n t h i s p a p e r,w e p r o p o s eac l o u dr e m o v a lm e t h o db a s e do n D C L SＧG A Nf o rt h e p l a t e a ui m a g eo fT HＧ１s a t e l l i t e．T h e g e n e r a t o r i sc o n s t r u c t e dw i t h t h es t r u c t u r eo f e n c o d e rＧd e c o d e r,a n d t w o t y p e so f f i x e da n d r e m o v a b l e c l o u d m a s k s a r e u s e di nt r a i n i n g．T h el e a s ts q u a r e r e c o n s t r u c t i o nl o s s a n d c r o s sＧe n t r o p y a d v e r s a r i a l l o s s a r e u s e d t o g e n e r a t e t h e p r e d i c t i o n i m a g e o f c l o u d c o v e r a g e a r e a,w h i l e l e a s t s q u a r e l o s s i s a l s o u s e d i n t h ed i s c r i m i n a t o r t o i d e n t i f y t h ea u t h e n t i c i t y o f t h e g e n e r a t e d i m a g e．J o i n t o p t i m i z a t i o no f g e n e r a t o r a n dd i s c r i m i n a t o r i s a c h i e v e db y c o n t i n u o u s i t e r a t i o n,a f t e rw h i c h,b i l i n e a r i n t e r p o l a t i o n i s u s e d t o i m p r o v e t h e r e s t o r a t i o na c c u r a c y o f c l o u dc o v e r a g ea r e a,a n dP o i
s s o ne d i t i n g i su s e dt os m o o t h t h e p r e d i c t i o nb o u n d a r y a n d r e d u c e t h e i n f l u e n c eo f a r t i f a c t s．T h ee x p e r i m e n t a l r e s u l t so n t h e t e s t i n g d a t a s e t s h o wt h a t t h e c l o u d r e m o v a l e f f e c t o f p r o p o s e dm e t h o d e x c e e d s c l a s s i c a l m e t h o d s a n d t h e o r i g i n a l C o n t e x t E n c o d e r i n p e a k s i g n a lＧt oＧn o i s e r a t i oa n ds t r u c t u r e s i m i l a r i t y,a n de x p e r i m e n t so n i m a g e sw i t h r e a l c l o u d a r e aa l s o s h o w t h a t p r o p o s e dm e t h o d h a s l o w e r i n d i c a t o r s u n d e r b l i n d i m a g e q u a l i t y a s s e s s m e n t．F i n a l l y, t h e s p e e d i s f a s t e r t h a nc l a s s i c a lm e t h o d sa n de q u a l sC o n t e x tE n c o d e r,t h u s i th a sab e t t e r p r a c t i c a l a p p l i c a t i o n p r o s p e c t．
K e y w o r d s:p l a t e a ua r e a;s a t e l l i t e i m a g e;c l o u d r e m o v a l;T HＧ１;D CＧG A N;t h e l e a s t s q u a r e
摘㊀要：利用深度学习开展高原地区卫星影像去云是一个研究热点.本文提出了基于D C L SＧG A N的天绘一号卫星高原地区影像的去云方法，采用对抗学习的思想构建深度卷积对抗生成网络，自主学习影像中云覆盖部分的典型地表特征，从而恢复云覆盖下垫面形貌.基于E n c o d e rＧD e c o d e r结构生成网络，构建固定与可移动２种云区掩膜，在矩形固定中心掩模预训练之后进行随机位置云掩模迁移训练，使用最小二乘重建损失与交叉熵对抗损失的联合损失函数，用于精确修复云覆盖区域地表； 基于C N N鉴别网络，判别生成影像的真实性.采用双线性插值提高云覆盖区域的修复精度，后处理使用泊松编辑处理平滑预测边界，减少伪迹的影响.在测试数据集上的试验结果表明，本文方法的总体去云效果在峰值信噪比㊁结构相似性与自然影像无参考质量评价算法指标上优于经典方法与原始C o n t e x tE n c o d e r，速度上较经典图像重建方法优势较大，具有较好的实际应用前景. 关键词：高原地区；卫星影像；去云；天绘一号；深度卷积生成对抗网络；最小二乘
中图分类号:P２３７㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀文章编号:１００１Ｇ１５９５(２０２１)０２Ｇ０２４８Ｇ１２
㊀㊀高原，地理上通常指海拔高度５００m以上的相对平坦或有一定起伏的地区，面积约占地球表面的４５％，其含氧量低㊁冰雪覆盖多的特点给人类活动带来诸多不便[１].由于地表约有６６．７％[２]被云层覆盖，连续无云影像难以获取，加之部分高原地区常年积雪㊁水汽多导致云覆盖程度较平原
第２期郑㊀凯，等:D C L SＧG A N：利用生成对抗网络的天绘一号卫星高原地区影像去云方法
更高，对其影像进行去云处理在应急救援等领域具有重大意义.当发生诸如泥石流㊁地震㊁山体滑坡等自然灾害或需要进行登山救援时，部分交通情况可能发生改变，无法应用已有历史影像分析判断受灾情况㊁规划救援道路，必须对现势性强的实时或近实时影像进行去云处理，实现应急地图的快速生产或应急路线的快速规划.意象派
近年来，学者们对影像去云进行了广泛研究，提出的方法大致可分为４类：多时相法㊁多光谱法㊁图像增强法及图像修复法.前３类方法的前置条件多㊁稳健性不强，比如多时相法需要不同时刻完全相同区域的影像，涉及图像配准操作并且时效性不强；多光谱法需要冗余的不同频段影像支持；图像增强法能提升可视效果，但对厚云去除收效甚微.图像修复法分传统的和基于机器学习的方法，传统的图像修复法直接利用本幅图像视觉真实和语义上合理的其余部分对云覆盖的部分进行替换，如文献[３]提出的基于样本块匹配算法，该算法结合了纹理合成和扩散填充，但只适用于背景以低频信息和重复性纹理为主的图像.另一类图像修复则基于机器学习，如文献[４]针对L a n d s a t影像提出了一种时空加权回归(s p a t i a l l y a n d t e m p o r a l l y w e i g h t e dr e g r e s s i o n,S TWR)模型，借助大量无云影像对不变相似像素的互补信息进行最优融合，从而生成连续的无云影像.近年来，深度学习技术为图像问题带来了新思路与新路径，可利用训练C N N网络学习到图像中缺失区域与其他部分之间复杂的函数关系.如文献[５]提出了一种基于深度卷积神经网络(s p a t i a l t e m p o r a l s p e c t r a lC N N,S T SＧC N N)的统一时空谱框架，采用统一的深卷积神经网络和时空谱补充信息相结合进行去云处理，能够对MO D I S和L a n d s a t卫星影像进行去云.
２０１４年文献(I n t r i g u i n gp r o p e r t i e so f n e u r a l n e t w o r k s．a r X i v p r e p r i n t a r X i v:１３１２．６１９９,２０１３)首次提出深度学习对抗样本的概念，随后文献(h t t p s:ʊa r x i v．o r g/a b s/１５１１．０６４３４)提出一种无监督学习的网络模型 生成对抗网络(G A N).该网络由生
成网络和鉴别网络组成，生成网络用于合成缺失部分，而鉴别网络负责对图像质量进行判别，两个网络在与对方的对抗中提升自身的性能，实现影像数据特征分布的自主学习，很快成为国内外学者们的研究焦点[７Ｇ９].针对G A N训练过程不稳定的现实,２０１６年文献[１０]针对G A N进行了改进并利用C N N的优点，提出了深度卷积生成对抗网络(d e e p c o n v o l u t i o n a lＧg e n e r a t i v ea d v e r s a r i a ln e t w o r k s,D CＧG A N)，将C N N引入生成网络与鉴别网络模型当中进行无监督训练，利用卷积网络强大的特征提取能力来提高生成网络的学习效果.在上述工作基础上,２０１６年文献[１１]提出上下文编码器Ｇ解码器语义修复网络(c o n t e x te n c o d e r)，利用编码器中的C N N来学习图像中的语义特征，结合生成对抗网络学习样本数据的特征分布，从而生成图像的缺失部分，但该方法的修复结果缺乏精细的纹理细节，容易产生伪迹.
目前图像修复法去云多是使用模拟云加云影像[１２]㊁低空无人机和地基摄影影像[１３]，在真实卫星遥感影像上实现智能去云研究成果较少.本文数据集来自国产遥感卫星天绘一号[１４Ｇ１５]，其影像比陆基获取的影像覆盖范围更广㊁目标结构特征更多样㊁纹理细节特征不明显.针对上述问题，本文提出了深度卷积最小二乘生成对抗网络(d e e p c o n v o l u t i o n a l l e a s t s q u a r eＧg e n e r a t i v ea d v e r s a r i a l n e t w o r k s,D C L SＧG A N)的遥感影像去云方法.试验证明，较传统方法而言，本文方法去云处理不依赖高光谱㊁不需要多时相，实时性㊁稳健性强，与文献[１１,１６Ｇ１７]方法的对比试验证明，本文方法从定性观察和定量分析上都能得到较优的云区修复效果，为卫星遥感影像的智能去云工作提供了新的途径.１㊀试验数据
１．１㊀原始数据
本文的研究对象是高原地区，研究数据来自天绘一号卫星２０１８ ２０１９年拍摄的中国高原地区R G B彩遥感影像.考虑到不同地表类型㊁不同海拔高度以及不同时间段影像特征不同，为保证模型的泛化能力，选取涵盖不同下垫面㊁不同季节㊁不同时段的遥感影像共９００景.地理经纬度范围为２８ʎ３５ᶄE １２５ʎ３５ᶄE,８ʎ２５ᶄN ６５ʎ２５ᶄN，涵盖了高山㊁城镇㊁冰川㊁雪地等不同下垫面情况.典型的影像类型如图１所示.
１．２㊀数据集建立
(１)b m p影像生成.读取原始数据文件，将t i f格式四通道数据，保存为分辨率６０００ˑ６０００的 ．b m p 图像.
(２)影像裁切.原始遥感影像幅面较大，网络训练时将影像裁切为４４８ˑ４４８大小，共选取
９４２
F e b r u a r y ２
０２１V o l ．５０N o ．２A G C S h t t p :ʊx b ．s i n o m a p
s ．c o m ８８２８张影像
.
图１㊀高原地区典型地表影像
F i g ．１㊀T y p i c a l s u r f a c e o f p l a t e a ua r e a i nT H Ｇ１i m a g
e (３
)影像掩膜.在无监督预训练时使用白矩形中心掩模模拟云覆盖区域[１３]
，掩膜大小为影像长宽的一半，训练模型修复影像中间部分的信息，如图２(b )所示；在迁移训练时使用可移动云掩膜(不超过影像面积的一半)，重点提升模型修复图像边缘信息的能力，如图２(c
)所示
.图２㊀２种不同类型的云掩膜
F i g
．２㊀T w ok i n d s o f c l o u dm a s k (４)数据集划分.将裁切后的８８２８张影像
按照１８ʒ３ʒ１的比例划分训练集㊁
迁移训练集㊁测试集，得到训练集影像７１９５张,
迁移训练影像１２１３张，测试集影像４２０张.
２㊀基于D C L S ＧG A N 的去云网络设计
针对传统图像修复的缺陷以及天绘一号遥感卫星影像的特征，本文基于D C ＧG A N 网络结构,
设计最小二乘损失函数[１８
]与交叉熵损失的联合
损失函数，建立D C L S ＧG A N 遥感影像去云方法，实现对高原地区天绘一号卫星遥感影像的智能
去云.首先在无云影像中使用矩形中心掩膜进行无监督预训练，而后使用可移动掩膜做迁移训练，提升训练的稳定性和生成结果的质量；同时，引入双
线性插值和泊松编辑[１９]作为后处理消除生成区
域与背景间的颜差异和云区边缘修复时的伪迹，较好地保留了修复区域的细节特征.
２．１㊀总体流程
总体网络训练流程图３所示，生成网络G 的输入为有云影像z ，输出生成影像G (z ),G (z )与无云原图z ᶄ一起进入鉴别网络中进行对比，经过迭代训练，使得生成网络生成的影像逐渐逼近真实影像，最终使判别网络判断不出生成影像的真伪.利用训练好的模型进行去云的流程如图４所示，输入有云影像，寻云区的最大外接矩形，矩形内部利用训练好的模型进行生成并经过双线性插值优化，无云部分利用原图进行替换，最后经过泊松图像编辑后处理得到预测结果
.
图３㊀D C L S ＧG A N 网络训练流程
F i g ．３㊀F r a m e w o r ko fD C L S Ｇ
G A Nn e t w o r k t r a i n i n
g
图４㊀训练完毕后去云操作流程
F i g
．４㊀C l o u d r e m o v a l f r a m e w o r kw i t h t r a i n e d g e n e r a t o r ０
５２
第２期
郑㊀凯，等:D C L S ＧG A N :
利用生成对抗网络的天绘一号卫星高原地区影像去云方法G A N 的网络训练是二元极小极大博弈的过
程，鉴别网络D 不断学习真实无云影像和生成网络生成的假图像之间的区别并区分真假，而生成网络不断学习真实图像的特征分布从而产生逼真图像去欺骗鉴别网络，如(１
)式所示㊀m i n G
㊀m a x D
{x ɪχ[l n (D (x ))]＋z ɪZ [l n (１－
D (G (z )))]}(１
)式中,z 为有云影像的集合;χ为对应的无云原图的集合;D (x )和D (G (z ))分别为鉴别网络对原图和修复图的分类标签值；为期望值.G A N 的训练过程即为对式(１)
进行联合优化，目的是使D 将x 识别为真(值为１)而将G (z )
马基雅维利主义识别为假(值为０)，而G 努力阻止D 做出正确判断.在不断对抗学习下,G 和D 的性能都会得到提高,G 最终能生成人眼无法分辨的接近真实的无云影像.２．２㊀生成网络与鉴别网络生成网络基于编码器Ｇ解码器结构，编码器由５个卷积层组成,
解码器由５个转置卷积层组成，负责提取原图特征并生成预测图.表１给出了生成网络的详细配置，其中c o n v ㊁d c o n v ㊁B N ㊁s t r i d e 和p a d d i n g 分别代表卷积㊁转置卷积㊁批标准化㊁卷积步长和卷积核填０,c o n v ４ˑ４表示卷积核的大小为４ˑ４，同理d c o n v ４ˑ４表示相同大小的核进行转置卷积，连接编码器与解码器的是与通道等宽的全连接层，并使用了步长为１的卷积模块，用于减少网络参数数量，其输入维度为８，输出维度为４０００
,R e L u
[２０
]㊁t a n h 和L e a k y R
e L u [２１
]代表激活函数.
表１㊀生成网络的结构
T a b ．１㊀N e t w o r k s t r u c t u r e o f g e n e r a t o r
模块
物联网技术参数设置
编码器
c o n v ４ˑ４,s t r i
d
e ＝２,p a d d i n g
＝１L e a k y R e L u ()ˑ１c o n v ４ˑ４,s t r i d e ＝２,p a d d i n g ＝１B N ,L e a k y
R e L u ()ˑ４全连接层
i n p u t ＝８,o u t p
u t ＝４０００解码器
d c o n v ４ˑ４,s t r i d
e ＝１,p a d d i n g
＝０B N ,R e L u
()
ˑ１
d c o n v ４ˑ４,s t r i d
e ＝２,p a d d i n g
＝１B N ,R e L u
()ˑ３
d c o n v ４ˑ４,s t r i d
剪板机连杆
e ＝２,p a d d i n g
＝１B N ,t a n h
(
)
ˑ１
鉴别网络基于C N N 结构,
由６个卷积层组成，负责判断生成的图像真伪.考虑到池化操作会造成特征信息的丢失，本文在生成网络㊁鉴别网络中
使用空洞卷积替换(M u l t i Ｇs c a l e c o n t e x t a g g r e g
a t i o n
b y d i l a t e d
c o n v o l u t i o n s ．a r X i v p r e p
r i n t a r X i v :１５１１．０７１２２,２０１５
)池化，在扩大感受野的同时不丢失图像的细节信息；利用B N 操作使特征输出归一化，加速训练并使得网络训练更稳定，但是文献[１３]指出，在网络所有层都加上B N 会使训练过程震荡，在生成网络G 的输出层不使用B N 能有效避免该问题，本文采用了这一策略.鉴别网络中的
激活函数L e a k y R e L u ，将输出层最后的S i g m o i d 激活函数[２２]结合到交叉熵损失中用防止梯度消
失.鉴别网络的参数设置如表２所示.
表２㊀鉴别网络的结构
T a b ．２㊀N e t w o r k s t r u c t u r e o f d i s c r i m i n a t o r
模块
参数设置
下采样
c
o n v ４ˑ４,s t r i d e ＝２,p a d d i n g ＝１L e a k y
R e L u æèç
öø÷
ˑ１
c
二级传播理论
o n v ４ˑ４,s t r i d e ＝２,p a d d i n g ＝１L e a k y
R e L u æèç
öø÷
ˑ３
c
o n v ４ˑ４,s t r i d e ＝３,p a d d i n g ＝１B N ,L e a k y
R e L u æèç
öø÷
ˑ１
c o n v ４ˑ４,s t r i
d
e ＝２,p a d d i n g
＝０()ˑ１２．３㊀损失函数
针对G A N 训练过程过于自由而导致梯度消失或梯度爆炸等问题，许多学者提出了改进的方法.文献[２３]提出W G A N 模型,
利用W 距离代替J S 散度并加入梯度惩罚来描述两个分布之间的距
离，文献[１８]提出了L S ＧG A N ，利用最小二乘损失描述两个分布之间的距离，能够在两个数据分布距离较远的情况下仍能反映距离的远近程度，防止因为S i g m o i d 损失处于饱和状态以及J S 散度为常数而导致的梯度为０的情况，解决训练的稳定性问题，提高G A N 生成图像的质量.鉴别网络与生成网络的最小二乘损失函数如式(２)㊁式(３
)所示㊀㊀m i n D J (D )＝m i n D １２
E x ~P r [D (x )－b ]２
＋
１２
E z ~P z [D (G (z ))－a ]
２
博思清(２
)m i n G J (G )＝m i n G １２E z ~P z [D (G (z ))－c ]２
(３
)式中,P r 是真实影像集的样本分布;P z 是生成网络产生的影像集样本分布;D (x )和D (G (z ))分别为鉴别网络对原图和修复图的分类标签值.常数a ㊁b 分别表示生成图片和真实图片的标记;c 是生成网络为了让判别网络认为生成图像是真实
数据而定的值.文献[１８]指出，当b －c ＝１,b －
a ＝２时，目标函数等价于皮尔森卡方散度
１
５２
F e b r u a r y２０２１V o l．５０N o．２A
G C S h t t p:ʊx b．s i n o m a p s．c o m
(P e a r s o nχ２d i v e r g e n c e)，一般取a＝－１,b＝１, c＝０或a＝－１,b＝c＝１.
本文令a＝－１,b＝１，鉴别网络的损失函数如式(４)所示
㊀m i n D J(D)＝m i n D１２E x~P r[D(x)－１]２＋
１
２E z~P z[D(G(z))＋１]２(４)令c＝０，生成网络的重建损失J(G)１为最小二乘损失，如式(５)所示
J(G)１＝[(^M☉(x－G((１－^M)☉x))]２(５) ^M为代表缺失区域的二值的掩膜图(像素值为１表示丢弃,０表示输入);☉表示矩阵点乘;x表示真实图像像素;G(x)为生成网络的输出.由于最小二乘损失只能刻画云覆盖区域整体结构与背景的一致性，输出的结果表征多种数据模式的平均值，因此结果较模糊，无法精确还原细节，故加入对抗损失J(G)２用以还原细节信息，如式(６)所示
㊀㊀J(G)２＝m a x D xɪP r[l n(D(x)＋l n(１－
G((１－^M)☉x))](６)从而生成网络的联合损失函数如式(７)所示
J(G)t o t＝λ J(G)１＋(１－λ) J(G)２(７)式中,λ为权值，文献[１３]经过交叉验证,λ取０．００１时效果最好，本文λ取０．００１,１－λ为０．９９９.２．４㊀双线性插值与泊松编辑后处理
本文在云覆盖区域进行去云处理时，在输出像点像素前使用了双线性插值，利用待求点临近的４个像素点的像素值进行插值，得到待求像点的像素值，提高还原精度与可视效果.双线性插值公式如式(８)所示
f(x,y)ʈf(Q１１)
(x２－x１)(y２－y１)(x２－x)(y２－y)＋
f(Q２１)
(x２－x１)(y２－y１)(x－x１)(y２－y)＋
f(Q１２)
(x２－x１)(y２－y１)(x２－x)(y－y１)＋
f(Q２２)
(x２－x１)(y２－y１)(x－x１)(y－y１)(８)式中,Q１１㊁Q２１㊁Q１２㊁Q２２分别为像点(x,y)左下㊁右下㊁左上㊁右上相邻的４个像点.
本文使用泊松图像编辑作为后处理改善修复部分边界的彩差异，其主要思想是把原始含云影像的梯度信息赋予到生成影像上，使生成部分与整体影像更加相似.泊松方程如式(９)所示
Δf＝Δ２u(９)式中,Δ为拉普拉斯算子;f为目标区域内的像素值;Δ２为散度;u为原始影像中的待修复区域.２．５㊀网络优化算法步骤
在训练生成网络和鉴别网络时，先固定生成网络，训练鉴别网络，按照每训练１次生成网络㊁训练５次鉴别网络的策略，平衡最小二乘损失函数优化下的D C L SＧG A N训练的波动.网络优化的算法步骤如表３所示.
２．５．１㊀参数设置
A d a m优化器超参数＝(０．００２,０．９,０．９９９)，批训练大小m＝８，生成网络迭代次数＝３００(２００＋１００)，生成网络每迭代１次时判别网络的迭代次数＝５；输入：原始影像数据集X＝(x１,x２, ,x n)，加入云掩膜的影像数据集Xᶄ＝(xᶄ１,xᶄ２, ,xᶄn)m,T g,T d,(α,β１,β２)t＝０,１, ,T d；
输出：生成网络生成的影像.２．５．２㊀训练步骤
初始化生成网络参数θ和判别网络参数ω;
W h i l eθh a sn o t c o n v e r g e dd o;
f o r t＝０, ,T d d o;
s a m p l e{x i}m i＝１~rʊ从真实影像中取样;
gωѳΔω[１mðm i＝１fω(X i)－１mðm i＝１fω(gθ(Xᶄi))];ωѳω＋l r A d a m(ω,gω);
e n d
f o r;
gθѳ－Δθ１mðm i＝１fω(gθ(Xᶄi));
θѳθ－l r A d a m(θ,gθ);
e n dw h i l e．
３㊀试验与分析
３．１㊀试验数据与平台
训练数据集共８４０８张，划分情况如表３所示，影像大小均为４４８ˑ４４８；测试数据集４２０张，并额外使用５０张真实云覆盖的天绘一号卫星影像作为无参考试验数据.试验硬件为联想深度学习工作站,C P U主频为２．１G H z的英特尔X e o n 处理器，显卡为英伟达T i t a nx p图形处理器，使用P y T o r c h１．０框架搭建深度学习模型.
表３㊀训练集划分
T a b．３㊀T r a i n s e t p a r t i t i o n
训练阶段影像总数雪山冰川居民地无监督训练７１９５２７８０２４２０１９９５
迁移训练１２１３４６１４４８３０４３．２㊀训练过程与结果
训练采取 无监督训练＋迁移训练 的策略进行，同时采取数据增强策略对输入影像进行随机上
２５２
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议