[發明專利]一種基于深度學習的圖片生成方法及生成對抗網絡

有效

• 申請號: 201710346320.6
• 申請日: 2017-05-17
• 公開（公告）號: CN107220600B
• 公開（公告）日: 2019-09-10
• 發明（設計）人: 袁克虹;范宏偉;張生澤
• 申請（專利權）人: 清華大學深圳研究生院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 深圳新創友知識產權代理有限公司 44223
• 代理人: 劉莉

1.一種基于深度學習的圖片生成方法，其特征在于，包括如下步驟：

(1)建立圖片數據庫：收集若干真實圖片并對其進行分類和標注，每張圖片具有唯一與之對應的類別標簽k；

(2)構建生成網絡G：在所述生成網絡G中輸入隨機的噪聲信號z和類別標簽k組合而成的向量，將所述生成網絡G生成的數據作為判別網絡D的輸入；

(3)構建判別網絡D：所述判別網絡D的損失函數由用于判斷圖片真假的第一損失函數和用于判斷圖片類別的第二損失函數組成；

所述第一損失函數如下：

minGmaxDTV(DT,G)=Ex~pg(x)[logDT(x)]+Ez~pz(z)[log(1-DT(G(z)))]]]>

其中，為判別損失函數logD_T(x)的期望，為判別損失函數log(1-D_T(G(z)))的期望；判別網絡D有兩個輸出，一個為判斷圖片來源的輸出，即輸出真/假，設為D_T，另一個為判斷圖片類別的輸出，即輸出圖片屬于類別標簽k的概率，設為D_c；p_g表示真實圖片集x的分布；p_z(z)表示隨機的噪聲信號z的噪聲變量，用G(z；θ_g)將其映射到數據空間；生成網絡G由參數θ_g構成的；

所述第二損失函數如下：

maxDcW(Dc,G)=-Ex~pg(x)[log(Dc(xk)k)]-Ez~pz(z)[log(Dc(G(z,c)c=k)k)]]]>

其中，為分類損失函數log(D_c(x_k)_k)的期望，為分類損失函數log(D_c(G(z,c)_c＝k)_k)的期望；c表示類別標簽k的集合，D_c(x_k)_k表示屬于圖片的類別標簽k的x_k被判別網絡D判斷為k的概率，D_c(G(z,c)_c＝k)_k表示由生成網絡G產生的類別標簽為k的生成圖片由判別網絡D分為k的概率；

(4)訓練網絡：

(41)訓練所述判別網絡D來最大化其輸出屬于真實圖片或屬于生成網絡G生成的數據的概率；訓練所述判別網絡D來最大化

(42)訓練所述生成網絡G來最小化log(1-D_T(G(z)))；訓練所述生成網絡G來最大化

(5)生成需要的圖片：將隨機的的噪聲信號z和類別標簽k輸入到經過步驟(4)訓練好的生成網絡G中，得到指定類別的圖片。