[發(fā)明專利]一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的WGAN模型方法

在審

• 申請?zhí)枺?/td>: 201710690212.0
• 申請日: 2017-08-14
• 公開（公告）號: CN107563510A
• 公開（公告）日: 2018-01-09
• 發(fā)明（設(shè)計）人: 周智恒;李立軍
• 申請（專利權(quán)）人: 華南理工大學(xué)
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司44245
• 代理人: 李斌

1.一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的WGAN模型方法，其特征在于，所述的方法包括下列步驟：

S1、構(gòu)造沃瑟斯坦生成式對抗網(wǎng)絡(luò)WGAN模型，該模型包含生成器和判別器；

S2、將判別器構(gòu)造成深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

S3、將生成器構(gòu)造成轉(zhuǎn)置深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

S4、對判別器的損失函數(shù)為采取Wasserstein距離的損失函數(shù)；

S5、準(zhǔn)備數(shù)據(jù)集，對構(gòu)造完畢的網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的WGAN模型方法，其特征在于，所述的步驟S2中判別器的深度卷積神經(jīng)網(wǎng)絡(luò)分為若干層，每一層有相應(yīng)的卷積核，即有相應(yīng)的權(quán)重參數(shù)。

3.根據(jù)權(quán)利要求1所述的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的WGAN模型方法，其特征在于，所述的步驟S3中生成器的轉(zhuǎn)置深度卷積網(wǎng)絡(luò)層數(shù)與判別器的深度卷積神經(jīng)網(wǎng)絡(luò)層數(shù)相同，并且生成器中每一層的卷積核是判別器中每一層的卷積核的轉(zhuǎn)置。

4.根據(jù)權(quán)利要求1所述的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的WGAN模型方法，其特征在于，所述的采取Wasserstein距離的損失函數(shù)為：

L(D)=-Ex~pr[D(x)]+Ex~pg[D(x)]+λEx~X▿x]]>

其中，D(x)表示判別器對圖像的判別，pr表示數(shù)據(jù)集圖像的分布，pg表示生成圖像的分布，λ為超參數(shù)，為梯度。

5.根據(jù)權(quán)利要求1所述的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的WGAN模型方法，其特征在于，所述的步驟S5具體為：

準(zhǔn)備數(shù)據(jù)集，其中，所述的數(shù)據(jù)集是具有同一類型或相似特征圖片的集合，對構(gòu)造完畢的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將生成器輸出生成圖像至判別器，判別器作出判斷。