陈国炜，刘磊，郭嘉逸，潘宗序，胡文龙

(1 中国科学院电子学研究所 中国科学院空间信息处理与应用系统技术重点实验室， 北京 100190；2 中国科学院大学， 北京 100049)(2018年12月18日收稿； 2019年3月27日收修改稿)

深度神经网络在计算机视觉问题上获得了广泛的应用。但是，基于深度神经网络的方法对用于训练的标记数据量提出了较高的要求，例如，用于目标检测的VOC2012数据集包含11 540张图片和27 450个目标标注框。标记这样大规模的数据是一件费时费力的事情。在本文所关注的遥感应用领域中，随着遥感图像数据资源的获取越来越容易和廉价，对图像的人工标注任务量日益庞大。因此，在减少人工标注数据工作量的情况下，如何有效地发挥出大量数据的潜在价值，对遥感图像的应用具有重要意义。半监督学习是解决这一矛盾的有效手段。半监督学习和最常见的全监督学习最根本的不同在于半监督学习不需要详细标注所有训练数据。如图1(a)所示，蓝色和紫色的样本点分属于不同的类别。如果所有样本点的类别标签已知，使用全部样本进行监督学习，将得到图1(d)所示的正确的分类决策面。但假如已知标签的样本仅占全部样本的一小部分，如图1(a)中十字交叉点所示，则全监督学习会得到图1(e)所示的错误结果。半监督学习通过在训练过程中采集没有标签的样本点的聚类信息，使分类决策面回到如图1(d)所示的正确位置上。

图1 GAN实现半监督学习原理的实验说明Fig.1 Instruction of GAN-based semi-supervised learning

遥感图像飞机目标检测是一个方兴未艾的研究领域。……