基于多尺度生成式對(duì)抗網(wǎng)絡(luò)的SAR飛機(jī)數(shù)據(jù)集增廣

嚴(yán)繼偉， 李廣帥， 蘇 娟

(1.火箭軍工程大學(xué)核工程學(xué)院，西安 710000； 2.中國(guó)人民解放軍96882部隊(duì)，江西 贛州 341000)

0 引言

隨著SAR成像技術(shù)的發(fā)展和數(shù)據(jù)源的不斷增加，傳統(tǒng)的目標(biāo)檢測(cè)算法難以適應(yīng)復(fù)雜背景、處理海量數(shù)據(jù)等現(xiàn)實(shí)需求。近年來(lái)，計(jì)算機(jī)硬件和深度學(xué)習(xí)理論不斷發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法逐漸被提出并得到成功應(yīng)用。深度學(xué)習(xí)目標(biāo)檢測(cè)算法大多應(yīng)用于可見(jiàn)光數(shù)據(jù)集，遷移應(yīng)用于SAR圖像領(lǐng)域往往面臨著數(shù)據(jù)集不足的問(wèn)題。

針對(duì)該問(wèn)題，各類(lèi)型的數(shù)據(jù)增廣方式不斷被提出：Mixup[1]是一種在計(jì)算機(jī)視覺(jué)中對(duì)圖像進(jìn)行混類(lèi)增強(qiáng)的算法，其將不同類(lèi)別的圖像進(jìn)行混合來(lái)擴(kuò)充訓(xùn)練集；Augmix[2]對(duì)圖像進(jìn)行變換、旋轉(zhuǎn)、多色調(diào)等并行操作后按比率融合得到新的訓(xùn)練圖像；Fmix[3]將圖像按照高頻和低頻區(qū)域進(jìn)行二值化區(qū)分，然后分像素加權(quán)融合形成新的圖像；YOLOv4[4]在訓(xùn)練過(guò)程中加入Mosaic[4]數(shù)據(jù)增強(qiáng)模塊，區(qū)別于Cutmix[5]方法，Mosaic同時(shí)對(duì)4幅圖像進(jìn)行處理，具有豐富檢測(cè)物體背景的優(yōu)勢(shì)。

生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks,GAN)[6]作為一種無(wú)監(jiān)督學(xué)習(xí)，利用博弈理論和對(duì)抗思想可以在短時(shí)間內(nèi)生成高質(zhì)量圖像，成為樣本生成領(lǐng)域的研究熱點(diǎn)。針對(duì)GAN訓(xùn)練中出現(xiàn)的問(wèn)題，學(xué)者們又提出許多GAN的改進(jìn)版本，典型的變體有LSGAN[7]，BigGAN[8]和SinGAN[9]等。其中，文獻(xiàn)[7]針對(duì)原始生成對(duì)抗式網(wǎng)絡(luò)生成的圖像質(zhì)量不高及訓(xùn)練過(guò)程不穩(wěn)定的問(wèn)題，提出將目標(biāo)函數(shù)由交叉熵?fù)p失改進(jìn)為最小二乘損失；BigGAN[8]增加參數(shù)量使得網(wǎng)絡(luò)性能得到巨大提升，同時(shí)使用截?cái)嗉记杀ＷC訓(xùn)練的穩(wěn)定性；SinGAN[9]提出了金字塔型網(wǎng)絡(luò)，不需要制作大量數(shù)據(jù)集，可實(shí)現(xiàn)單幅圖像訓(xùn)練。另外，以GAN結(jié)構(gòu)為基礎(chǔ)也衍生出了許多遷移網(wǎng)絡(luò)結(jié)構(gòu)，常見(jiàn)的有pix2pix[10]，CycleGAN[11]，DiscoGAN[12]，DualGAN[13]和StarGAN[14]等，在數(shù)據(jù)增廣方面都有優(yōu)異的表現(xiàn)。

一般而言，SAR圖像獲取成本高、數(shù)據(jù)集制作困難，因此，在SAR圖像目標(biāo)檢測(cè)領(lǐng)域生成對(duì)抗網(wǎng)絡(luò)常常被用來(lái)對(duì)SAR圖像目標(biāo)數(shù)據(jù)集進(jìn)行增廣。文獻(xiàn)[15]使用像素到像素的生成對(duì)抗網(wǎng)絡(luò)對(duì)SAR艦船數(shù)據(jù)集增廣，并使用SSD算法進(jìn)行驗(yàn)證；文獻(xiàn)[16]使用對(duì)抗網(wǎng)絡(luò)生成SAR圖像艦船目標(biāo)的難例樣本增強(qiáng)檢測(cè)器適應(yīng)性，同時(shí)利用線上難例挖掘技術(shù)避免了少量的難例樣本在采樣時(shí)被忽略，提高了模型的檢測(cè)精度，使得其在SSDD上平均準(zhǔn)確率達(dá)到70.2%。目前相對(duì)成熟的GAN生成圖像方法在SAR艦船檢測(cè)領(lǐng)域應(yīng)用較多，但是鮮有學(xué)者將其用于SAR飛機(jī)圖像的生成。因此，本文考慮將多尺度生成式對(duì)抗網(wǎng)絡(luò)SinGAN應(yīng)用于SAR圖像飛機(jī)目標(biāo)數(shù)據(jù)增廣，基于單幅圖像進(jìn)行訓(xùn)練生成避免了制作大量數(shù)據(jù)對(duì)的繁瑣過(guò)程，可在短時(shí)間內(nèi)得到數(shù)量多、質(zhì)量較好的生成樣本，并將生成樣本標(biāo)注好后加入訓(xùn)練集中，采用Faster R-CNN[17]算法進(jìn)行檢測(cè)實(shí)驗(yàn)。通過(guò)多組對(duì)比實(shí)驗(yàn)驗(yàn)證了SinGAN數(shù)據(jù)增廣的可行性和改進(jìn)算法的檢測(cè)性能。

1 SAR飛機(jī)數(shù)據(jù)集增廣算法

1.1 SinGAN結(jié)構(gòu)

SHAHAM等[9]在2019年提出SinGAN模型，通過(guò)構(gòu)建金字塔型GAN，實(shí)現(xiàn)了基于單幅圖像訓(xùn)練生成高質(zhì)量圖像的目標(biāo)。本文利用SinGAN對(duì)SAR圖像飛機(jī)數(shù)據(jù)集進(jìn)行增廣，增廣過(guò)程如圖1所示。

圖1 SinGAN數(shù)據(jù)增廣過(guò)程Fig.1 Data augmentation process of SinGAN

(1)

(2)

(3)

圖2 生成器結(jié)構(gòu)Fig.2 Structure of generator

生成器和判別器中組合操作結(jié)構(gòu)相同，5個(gè)卷積層均采用3×3卷積核，本文采用多尺度分組卷積進(jìn)行改進(jìn)，以更好地捕捉圖像分布信息。同時(shí)使用改進(jìn)的二進(jìn)制交叉熵?fù)p失作為對(duì)抗損失，增強(qiáng)訓(xùn)練的穩(wěn)定性。

1.2 多尺度分組卷積

SinGAN中的每個(gè)生成器Gn，使用卷積網(wǎng)絡(luò)ψn來(lái)學(xué)習(xí)圖像內(nèi)部信息的分布情況。ψn結(jié)構(gòu)使用3×3單一卷積核尺寸，只能獲得固定感受野下的特征分布，因此借鑒文獻(xiàn)[18]中的思想，融合多尺度分組卷積設(shè)計(jì)了改進(jìn)的SinGAN，其結(jié)構(gòu)如圖3所示。

圖3 改進(jìn)SinGAN的結(jié)構(gòu)Fig.3 Structure of improved SinGAN

改進(jìn)的SinGAN在ψ2中融入多尺度分組卷積，使用3×3,5×5,7×7這3種卷積核，從不同尺度下挖掘圖像特征分布，增加生成圖像的細(xì)節(jié)信息。同時(shí)，對(duì)卷積核尺寸較大的5×5和7×7卷積進(jìn)行分組操作，將輸入的特征圖分組，并在組內(nèi)獨(dú)立進(jìn)行卷積操作，以減少網(wǎng)絡(luò)參數(shù)量，高效地提取SAR圖像中飛機(jī)目標(biāo)豐富、獨(dú)立的特征，最后將不同尺度的特征進(jìn)行融合。多尺度分組卷積結(jié)構(gòu)示意圖見(jiàn)圖4。

圖4 多尺度分組卷積Fig.4 Multi-scale group convolution

假設(shè)輸入的特征圖通道數(shù)為M，則有M/4個(gè)通道的特征圖進(jìn)行普通的3×3卷積；有M/4個(gè)通道的特征圖進(jìn)行5×5卷積，分組數(shù)為4；有M/2個(gè)通道的特征圖進(jìn)行7×7卷積，分組數(shù)為8。一般而言，卷積核尺寸越大，其參數(shù)量越多，所以分組數(shù)目設(shè)置的也越大，以更好地降低計(jì)算成本。在分組多尺度卷積后，輸入至批歸一化BN層和Leaky ReLU激活層，提升網(wǎng)絡(luò)收斂速度和非線性特征映射能力。

1.3 損失函數(shù)

對(duì)于第n個(gè)固定尺度的圖像生成過(guò)程，其訓(xùn)練損失包括對(duì)抗損失La和重建損失Lr，從而建立多任務(wù)損失函數(shù)，其表達(dá)式為

(4)

(5)

式中:LLoss為總損失函數(shù)；La為生成器與判別器的對(duì)抗損失；Lr為圖像生成的重建損失，當(dāng)n=N時(shí)，重建損失保證最粗尺度下由噪聲圖直接生成相似的圖像；α為重建損失權(quán)重；z*為特定噪聲映射。對(duì)抗損失使用改進(jìn)的二進(jìn)制交叉熵?fù)p失(Binary Cross Entropy Loss,BCE Loss)，其算式為

(6)

li=-ωi·[yi·lnpi+(1-yi)·ln(1-pi)]

(7)

(8)

式中：pi為生成數(shù)據(jù)的概率分布；NB為批尺寸；li為二進(jìn)制交叉熵?fù)p失；ωi為損失權(quán)重；La為對(duì)抗損失。將sigmoid函數(shù)和BCE Loss融合在同一層中，不要求輸入在[0，1]之間，利用對(duì)數(shù)-求和-指數(shù)的組合方式有效防止數(shù)值計(jì)算溢出，增強(qiáng)訓(xùn)練的穩(wěn)定性。

1.4 圖像增廣過(guò)程

SinGAN中設(shè)計(jì)多層GAN結(jié)構(gòu)以學(xué)習(xí)不同尺度的圖像塊分布，從粗糙到精細(xì)逐步生成更高分辨率的圖像，粗尺度下更好地學(xué)習(xí)圖像整體布局和結(jié)構(gòu)，細(xì)尺度下增加紋理等細(xì)節(jié)特征的學(xué)習(xí)。圖5為金字塔數(shù)據(jù)集的示例。

圖5 金字塔數(shù)據(jù)集示例Fig.5 Examples of pyramid dataset

1.5 數(shù)據(jù)集制作

通過(guò)人工判讀、標(biāo)注的方式制作了一個(gè)共含647幅(共2294架飛機(jī))SAR圖像的飛機(jī)數(shù)據(jù)集SAD(SAR Aircraft Dataset)[19]，圖像數(shù)據(jù)來(lái)源為高分3號(hào)衛(wèi)星、Terra SAR-X衛(wèi)星、機(jī)載SAR等，圖像分辨率從0.5～3 m不等，圖像為3通道、尺寸均裁剪為900像素×600像素，圖像中的飛機(jī)類(lèi)型、朝向、尺寸多樣化。采用留出法將SAD數(shù)據(jù)集隨機(jī)劃分訓(xùn)練集和測(cè)試集，劃分比例取6∶4?，F(xiàn)有公開(kāi)的常用數(shù)據(jù)集VOC2007，其有15類(lèi)目標(biāo)(共含20類(lèi)目標(biāo))圖像數(shù)量小于647幅，因此只有一類(lèi)目標(biāo)的SAD數(shù)據(jù)集可用于驗(yàn)證本文檢測(cè)算法在SAR圖像飛機(jī)檢測(cè)中的性能?？紤]數(shù)據(jù)提供方要求，SAD數(shù)據(jù)集目前未公開(kāi)發(fā)表。

利用Labelimg開(kāi)源軟件按照PASCAL VOC格式[20]對(duì)SinGAN網(wǎng)絡(luò)生成的SAR飛機(jī)圖像進(jìn)行標(biāo)注，將目標(biāo)信息保存為“xml”文件，圖像標(biāo)注示例見(jiàn)圖6。將標(biāo)注好的數(shù)據(jù)集加入訓(xùn)練集之中，用于檢測(cè)SinGAN數(shù)據(jù)增廣在Faster R-CNN檢測(cè)算法中的作用。

圖6 圖像標(biāo)注示例Fig.6 Examples of image annotation

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)增廣實(shí)驗(yàn)

本文使用多尺度生成式對(duì)抗網(wǎng)絡(luò)進(jìn)行SAR飛機(jī)圖像的數(shù)據(jù)增廣實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)：使用SAD數(shù)據(jù)集。該數(shù)據(jù)集的圖像來(lái)源為高分3號(hào)、TerraSAR-X衛(wèi)星、機(jī)載SAR等，分辨率為0.5～3 m，使用Labelimg進(jìn)行標(biāo)注，共647幅圖像，包含各類(lèi)型尺寸的飛機(jī)目標(biāo)2294個(gè)。

實(shí)驗(yàn)平臺(tái)：Ubuntu16.04系統(tǒng)，深度學(xué)習(xí)框架為Pytorch0.4.0版本和TensorFlow1.7.0版本，并使用CUDA8.0和CUDNN6.0進(jìn)行加速訓(xùn)練，編程語(yǔ)言為Python語(yǔ)言和C語(yǔ)言，CPU為Intel?CoreTM7-6850K CPU@3.60 GHz×12，GPU為NVIDIA TITAN XP GPU，內(nèi)存64 GiB。

SinGAN數(shù)據(jù)增廣參數(shù)設(shè)置：最粗尺度圖像尺寸設(shè)置為25像素×25像素，金字塔尺度數(shù)量設(shè)置為11，上采樣尺度因子取4/3，生成器和判別器的初始學(xué)習(xí)率均取0.000 5，參數(shù)更新方法采用適應(yīng)性矩估計(jì)算法，一階矩估計(jì)的指數(shù)衰減率取0.5，重建損失權(quán)重取100。

2.2 圖像質(zhì)量分析

2.2.1 圖像質(zhì)量定性分析

本文分別使用原始SinGAN和改進(jìn)SinGAN對(duì)SAR飛機(jī)數(shù)據(jù)集進(jìn)行增廣，生成圖像和真實(shí)圖像的對(duì)比結(jié)果如圖7所示。

圖7 生成圖像與真實(shí)圖像對(duì)比Fig.7 Comparison of generated and real images

由于SinGAN是一種非條件性生成模型，生成圖像中目標(biāo)的位置、尺寸等具有一定的可變性。通過(guò)視覺(jué)分析對(duì)比4組圖像發(fā)現(xiàn)，原始的SinGAN僅使用3×3卷積核，對(duì)飛機(jī)目標(biāo)整體輪廓和紋理信息的學(xué)習(xí)欠缺，在生成圖像中存在機(jī)翼、機(jī)尾等組件缺失的問(wèn)題。而改進(jìn)后的SinGAN利用7×7卷積核獲取更大的感受野，增強(qiáng)了對(duì)飛機(jī)整體輪廓的學(xué)習(xí)，使用不同尺寸的卷積核捕捉多種尺度下的圖像特征，豐富了飛機(jī)目標(biāo)內(nèi)部紋理分布信息。

2.2.2 圖像質(zhì)量定量分析

客觀的圖像質(zhì)量定量評(píng)價(jià)指標(biāo)主要分為有參考評(píng)價(jià)方法和無(wú)參考評(píng)價(jià)方法。本文為更好地評(píng)估生成的SAR圖像的質(zhì)量，采用等效視數(shù)(Equivalent Number of Looks，ENL)[21]、結(jié)構(gòu)相似性(Structural Similarity，SSIM)[22]、特征相似度(Feature Similarity，F(xiàn)SIM)[23]和余弦相似性作為生成圖像的評(píng)價(jià)指標(biāo)。

等效視數(shù)用于衡量SAR圖像中斑點(diǎn)噪聲的相對(duì)強(qiáng)度。等效視數(shù)越大，圖像斑點(diǎn)噪聲越多，對(duì)比度越強(qiáng)，其算式為

(9)

式中：μ為圖像的均值；σ為圖像的標(biāo)準(zhǔn)差。

SSIM從亮度、對(duì)比度和結(jié)構(gòu)上反映2幅圖像的相似程度，SSIM值越大，圖像結(jié)構(gòu)越相似。其算式為

(10)

式中：μ1是圖像I1的平均值；μ2是圖像I2的平均值；σ1和σ2分別為圖像I1，I2的標(biāo)準(zhǔn)差；l∈L，L為像素的取值范圍；k1=0.000 1，k2=0.000 9,均設(shè)為默認(rèn)值。

特征相似度選擇了兩個(gè)特征進(jìn)行計(jì)算，即相位一致性與梯度幅度。相位一致性提取圖像的信息特征，但無(wú)法影響對(duì)比度變化，所以引入梯度幅度來(lái)提取對(duì)比度信息。

余弦相似性使用向量夾角的余弦值度量2幅圖像的差異度，余弦距離能更好地描述2幅圖像在灰度分布上的差異，余弦相似性算式為

(11)

式中：a，b分別表示2幅圖像的直方圖向量；θ為向量間夾角。

表1為使用不同指標(biāo)對(duì)兩種數(shù)據(jù)增廣方法在圖7(a)中4幅圖像上進(jìn)行評(píng)價(jià)的結(jié)果。從評(píng)價(jià)指標(biāo)對(duì)比來(lái)看，改進(jìn)SinGAN得到的生成圖像的質(zhì)量?jī)?yōu)于原始SinGAN，改進(jìn)SinGAN生成圖像的等效視數(shù)更小，說(shuō)明圖像噪聲強(qiáng)度相對(duì)較弱，圖像更加清晰、對(duì)比度更好；同時(shí)，圖像特征相似度、結(jié)構(gòu)相似性和直方圖余弦相似性均與真實(shí)圖像更加接近。通過(guò)視覺(jué)分析和定量評(píng)估可知，使用改進(jìn)SinGAN網(wǎng)絡(luò)生成的SAR飛機(jī)圖像與真實(shí)圖像整體效果和各評(píng)價(jià)指標(biāo)較為接近，可滿(mǎn)足圖像檢測(cè)需求。

2.3 目標(biāo)檢測(cè)實(shí)驗(yàn)與評(píng)估

本文將使用SinGAN網(wǎng)絡(luò)訓(xùn)練生成的增廣圖像添加到SAR飛機(jī)數(shù)據(jù)集中，并使用Faster R-CNN對(duì)數(shù)據(jù)集進(jìn)行目標(biāo)檢測(cè)實(shí)驗(yàn)來(lái)驗(yàn)證數(shù)據(jù)增廣對(duì)SAR飛機(jī)目標(biāo)檢測(cè)性能的影響。其中，F(xiàn)aster R-CNN訓(xùn)練參數(shù)設(shè)置：批訓(xùn)練數(shù)取1，初始學(xué)習(xí)率取0.001，權(quán)重衰減系數(shù)取0.000 5，訓(xùn)練代數(shù)取100，參數(shù)更新方法采用隨機(jī)梯度下降法(Stochastic Gradient Descent，SGD)，動(dòng)量因子設(shè)為0.9。本文使用平均檢測(cè)精度(Average Precision，AP)作為檢測(cè)算法的評(píng)價(jià)指標(biāo)。

實(shí)驗(yàn)采用改進(jìn)SinGAN網(wǎng)絡(luò)生成400幅SAR圖像擴(kuò)充樣本，記為SAD-2，同時(shí)采用平移、旋轉(zhuǎn)、加噪裁剪等有監(jiān)督數(shù)據(jù)增廣方式生成400幅擴(kuò)充樣本，記為SAD-1，將生成樣本標(biāo)注好，分別加入SAD數(shù)據(jù)集中，在Faster R-CNN檢測(cè)器中進(jìn)行多組對(duì)比實(shí)驗(yàn)驗(yàn)證，檢測(cè)結(jié)果對(duì)比如表2所示，表2中“√”表示該部分參加了實(shí)驗(yàn)。對(duì)比表2的結(jié)果可以看出，在Faster R-CNN檢測(cè)器中，結(jié)合SinGAN增廣方式檢測(cè)精度由73.5%提高至77.6%，提升了4.1%，結(jié)合有監(jiān)督數(shù)據(jù)增廣方式檢測(cè)精度由73.5%提高至74.2%，提升了0.7%。相比之下，SinGAN增廣方式通過(guò)多尺度GAN模型學(xué)習(xí)SAR圖像的內(nèi)部信息分布，對(duì)檢測(cè)性能提升有積極作用，能帶來(lái)約3%的精度提高。

表2 檢測(cè)結(jié)果對(duì)比Table 2 Comparison of detection results

圖8為不同典型場(chǎng)景下SAR飛機(jī)圖像的檢測(cè)結(jié)果，圖像中包含單架或多架飛機(jī)目標(biāo)，背景中包含跑道、建筑物和人造目標(biāo)等信息，圖像內(nèi)容較為豐富和復(fù)雜，跑道旁邊建筑物和部分人造目標(biāo)表現(xiàn)為高亮區(qū)域，易引起誤檢。為突出顯示檢測(cè)結(jié)果，圖8中使用綠色框表示正確的檢測(cè)結(jié)果，使用黃色框表示誤檢結(jié)果。

圖8 SAR飛機(jī)圖像檢測(cè)結(jié)果Fig.8 Detection results of SAR aircraft images

從圖8中可看出，使用Faster R-CNN算法雖能較好地檢測(cè)出飛機(jī)目標(biāo)，但檢測(cè)結(jié)果受相似目標(biāo)的干擾較大，引起的誤檢較多。在圖8(b)的Faster R-CNN+SAD檢測(cè)結(jié)果中，第1幅圖像中的5架飛機(jī)目標(biāo)全部檢測(cè)出，但左下方對(duì)建筑物區(qū)域有3處誤檢(黃色框)；第2幅圖像中成像效果較差的3架飛機(jī)目標(biāo)也能很好地檢測(cè)出，但中間出現(xiàn)2處誤檢；第3幅圖像和第4幅圖像分別出現(xiàn)了2處誤檢。圖8(c)為加入數(shù)據(jù)增廣擴(kuò)充樣本的Faster R-CNN檢測(cè)結(jié)果，增強(qiáng)SAR飛機(jī)樣本多樣性，在前3幅圖像中分別引起了1處誤檢，第4幅圖像中沒(méi)有誤檢。通過(guò)加入400幅仿真圖像樣本，使網(wǎng)絡(luò)更加充分地學(xué)習(xí)到目標(biāo)特征，更好地與背景、相似目標(biāo)區(qū)分開(kāi)來(lái)，使得檢測(cè)更加準(zhǔn)確。

3 結(jié)束語(yǔ)

本文提出一種基于改進(jìn)SinGAN的SAR飛機(jī)數(shù)據(jù)集增廣方法，通過(guò)改進(jìn)網(wǎng)絡(luò)訓(xùn)練生成了400幅SAR飛機(jī)圖像樣本，并添加到SAD數(shù)據(jù)集中使用Faster R-CNN算法進(jìn)行測(cè)試驗(yàn)證。主要得到以下結(jié)論：

1) 使用多尺度分組卷積對(duì)SinGAN進(jìn)行改進(jìn)，將原始網(wǎng)絡(luò)中單一的卷積核替換為多卷積核，獲取了圖像中更大的感受野，加強(qiáng)網(wǎng)絡(luò)對(duì)SAR飛機(jī)的特征學(xué)習(xí)能力，提高了生成的SAR飛機(jī)圖像的質(zhì)量；

2) 使用圖像評(píng)價(jià)指標(biāo)對(duì)新生成的SAR飛機(jī)圖像進(jìn)行定量分析，生成的SAR飛機(jī)圖像與真實(shí)圖像的效果接近，滿(mǎn)足目標(biāo)檢測(cè)需求，且改進(jìn)SinGAN生成圖像的質(zhì)量高于原始SinGAN生成圖像；

3) 當(dāng)把生成的SAR飛機(jī)數(shù)據(jù)加入到Faster R-CNN中后，檢測(cè)器的平均準(zhǔn)確率由73.5%提高到了77.6%。

通過(guò)生成對(duì)抗網(wǎng)絡(luò)產(chǎn)生SAR飛機(jī)目標(biāo)的前提是收集大量的SAR飛機(jī)圖像并制作訓(xùn)練樣本，生成的SAR飛機(jī)圖像仍然需要進(jìn)行標(biāo)記才能夠添加到檢測(cè)器中，因此過(guò)程中需要消耗大量的人力、物力。從實(shí)驗(yàn)結(jié)果中發(fā)現(xiàn)，生成的SAR飛機(jī)數(shù)據(jù)行為單一，對(duì)Faster R-CNN的檢測(cè)性能提升仍然存在限制。在將來(lái)的工作中，將進(jìn)一步對(duì)SAD數(shù)據(jù)集進(jìn)行補(bǔ)充，改進(jìn)SinGAN結(jié)構(gòu)，以滿(mǎn)足生成復(fù)雜環(huán)境下SAR飛機(jī)目標(biāo)的需要，使之能夠更好地提高目標(biāo)檢測(cè)性能。