激光与光电子学进展, 2020, 57 (20): 201018, 网络出版: 2020-10-13 复制并引用该论文  本文已被引 3 次  被引通知

图 & 表

图 1. 金字塔式多尺度GAN的结构

Fig. 1. Structure of the pyramidal multi-scale GAN

下载图片 查看原文

图 2. 生成器的结构

Fig. 2. Structure of generator

下载图片 查看原文

图 3. Inception模块

Fig. 3. Inception block

下载图片 查看原文

图 4. 线性卷积层与1×1卷积层。(a)线性卷积层;(b) 1×1卷积层

Fig. 4. Linear convolutional layer and 1×1 convolutional layer. (a) Linear convolution layer; (b) 1×1 convolution layer

下载图片 查看原文

图 5. 残差密集模块

Fig. 5. Residual dense block

下载图片 查看原文

图 6. 判别器的结构

Fig. 6. Structure of the discriminator

下载图片 查看原文

图 7. 由单一图像生成的图像。(a)小尺寸舰船的图像1;(b)小尺寸舰船的图像2;(c)背景带噪声的图像;(d)大尺寸舰船的图像

Fig. 7. Image generated from single image. (a) Image1 of small ship; (b) image2 of small ship; (c) image with noise in background; (d) image of large ship

下载图片 查看原文

图 8. 不同网络生成的图像。(a)用于训练的图像;(b)原网络生成的图像;(c)改进后网络生成的图像

Fig. 8. Images generated by different networks. (a) Images used for training; (b) images generated by the original network; (c) images generated by the improved network

下载图片 查看原文

图 9. 不同数据集训练的错检情况。(a)正确检测结果;(b) SSDD数据集;(c) SSDD数据集+生成的样本数据集

Fig. 9. Error detection of training on different data sets. (a) Correct test results; (b) SSDD data set; (c) SSDD data set + generated sample data set

下载图片 查看原文

图 10. 不同数据集训练的虚警情况。(a)正确检测结果;(b) SSDD数据集;(c) SSDD数据集+生成的样本数据集

Fig. 10. False alarms of training on different data sets. (a) Correct test results; (b) SSDD data set; (c) SSDD data set + generated sample data set

下载图片 查看原文

图 11. 不同数据集训练的漏检情况。(a)正确检测结果;(b) SSDD数据集;(c) SSDD数据集+生成的样本数据集

Fig. 11. Missed detection of training on different data sets. (a) Correct test results; (b) SSDD data set; (c) SSDD data set + generated sample data set

下载图片 查看原文

图 12. 加入生成数据集后未检测出的结果。(a)正确检测结果;(b) SSDD数据集;(c) SSDD数据集+生成的样本数据集

Fig. 12. Undetected result after adding the generated data set. (a) Correct test results; (b) SSDD data set; (c) SSDD data set + generated sample data set

下载图片 查看原文

表 1生成器的参数

Table1. Parameters of the generator

Block Operation Convolution kernel Input channel Output channel Head Conv_block 3×3 3 192 Inceptionblock Block 1 Conv_block 1×1 192 64 Block 2 Conv_block 1×1 192 96 Conv_block 3×3 92 128 Block 3 Conv_block 1×1 192 16 Conv_block 3×3 16 32 Conv_block 3×3 32 32 Block 4 Max Pooling Conv_block 1×1 192 32 Connection part Conv_block 3×3 256 C Residual dense block Conv 3×3 C C Leaky ReLU Conv 3×3 256 C Leaky ReLU Conv 3×3 384 C Leaky ReLU Conv 3×3 512 C Leaky ReLU Conv 3×3 640 C Leaky ReLU tail Conv_block 3×3 C C Conv_block 3×3 C C Conv 3×3 C 3 tanh

查看原文

表 2不同方法生成图像的AP

Table2. AP of different methods to generate images

Dataset AP SSD Tiny-YOLO SSDD 0.8097 0.707 SSDD_method1_20 0.7275 0.641 SSDD+ SSDD_method1_20 0.8178 0.726 SSDD+ SSDD_method1_40 0.8101 0.716 SSDD+ SSDD_method2_20 0.8106 0.696 SSDD+ SSDD_method2_40 0.7907 0.672 SSDD+ SSDD_method2_1160 0.8213 0.702

查看原文

李诗怡, 付光远, 崔忠马, 杨小婷, 汪洪桥, 陈雨魁. 基于多尺度生成对抗网络的SAR图像样本增广[J]. 激光与光电子学进展, 2020, 57(20): 201018. Shiyi Li, Guangyuan Fu, Zhongma Cui, Xiaoting Yang, Hongqiao Wang, Yukui Chen. Data Augmentation in SAR Images Based on Multi-Scale Generative Adversarial Networks[J]. Laser & Optoelectronics Progress, 2020, 57(20): 201018.