Key points are not available for this paper at this time.
परिवर्तन पहचान (सीडी) रिमोट सेंसिंग के मुख्य अनुप्रयोगों में से एक है। गहरे शिक्षण की बढ़ती लोकप्रियता के साथ, सीडी विधियों के हाल के विकास में पारंपरिक विधियों की तुलना में सटीकता और स्वचालन स्तर को बढ़ाने के लिए गहरे शिक्षण तकनीकों का उपयोग किया गया है। हालाँकि, सुपरवाइज्ड सीडी विधियों का उपयोग करते समय, गहरे कॉन्वोल्यूशनल नेटवर्क को हजारों पैरामीटर के साथ प्रशिक्षित करने के लिए काफी मात्रा में लेबल डेटा की आवश्यकता होती है। ये लेबल डेटा सीडी कार्यों के लिए प्राप्त करना कठिन हैं। इस सीमा को दूर करने के लिए, एक नवीन अर्ध-निगरानी कॉन्वोल्यूशनल नेटवर्क (SemiCDNet) प्रस्तावित किया गया है जो एक जनरेटिव एडवर्सेरियल नेटवर्क (GAN) पर आधारित है। पहले, लेबल डेटा और बिना लेबल वाले डेटा को विभाजन नेटवर्क में इनपुट किया जाता है ताकि प्रारंभिक भविष्यवाणियाँ और एन्ट्रॉपी मानचित्र उत्पन्न किए जा सकें। फिर, बिना लेबल वाले डेटा की संभावनाओं का लाभ उठाने के लिए, विशेषताओं के वितरण की संगति को मजबूर करने के लिए दो भेदक अपनाए जाते हैं जो लेबल और बिना लेबल वाले डेटा के बीच विभाजन मानचित्र और एन्ट्रॉपी मानचित्र के बीच होती है। प्रतिस्पर्धात्मक प्रशिक्षण के दौरान, जनरेटर को लगातार बिना लेबल वाली जानकारी का उपयोग करके नियमित किया जाता है, जिससे इसकी सामान्यीकरण क्षमता में सुधार होता है। हमारी प्रस्तावित विधि की प्रभावशीलता और विश्वसनीयता को दो उच्च-रिज़ॉल्यूशन रिमोट सेंसिंग डेटा सेट पर सत्यापित किया गया है। व्यापक प्रयोगात्मक परिणाम प्रस्तावित विधि की अन्य अत्याधुनिक दृष्टिकोणों की तुलना में श्रेष्ठता को प्रदर्शित करते हैं।
पेंग एट अल. (Thu,) ने इस प्रश्न का अध्ययन किया।