[發明專利]一種基于Triple-GAN的分類方法

有效

• 申請號: 201810330974.4
• 申請日: 2018-04-13
• 公開（公告）號: CN108520282B
• 公開（公告）日: 2020-04-03
• 發明（設計）人: 歐陽建權;方昆;唐歡容
• 申請（專利權）人: 湘潭大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京卓恒知識產權代理事務所(特殊普通合伙) 11394
• 代理人: 徐樓

生成對抗網絡(GAN)在圖像生成和半監督學習中顯示出極大的發展前景，已發展為三生對抗網絡(Triple?GAN)。但基于Triple?GAN的分類方法仍存在兩個需要解決的問題：基于KL散度分布構造容易產生梯度消失，出現訓練不穩定情況；由于Triple?GAN手動對樣本進行標記標簽，會造成手動標記工作量過大及標記不均勻等情況。本發明基于此，擬利用隨機森林(RandomForests)對真實樣本進行分類，將葉子節點自動標記標簽，同時利用最小二乘生成對抗網絡(LSGAN)的思想構造損失函數，避免梯度消失。

技術領域

本發明涉及一種圖像的分類方法，具體涉及基于分布、Triple-GAN三人游戲和隨機森林相結合的圖像快速分類的方法，屬于圖像處理領域。

背景技術

圖像挖掘是數據挖掘中的新興領域。而圖像分類是數據挖掘的基礎，面對大量的圖像數據，圖像分類變得越來越重要。圖像分類目前出現了很多分類技術，如決策樹、最小距離法、神經網絡、模糊分類、支持向量機、k-均值等。GAN模型的提出把圖像分類領域提到了一個新的高度，也推動了圖像挖掘技術的發展。而基于GAN模型研究，也成為了研究熱點。

生成對抗網絡(GAN)在圖像生成和半監督學習領域同樣顯示出極大的發展前景，GAN已成為圖像和視覺計算、語音和語言處理、信息安全、棋類比賽，尤其是人工智能領域的熱點研究方向。現而今GAN已由雙人游戲發展為三人游戲的三生對抗網絡(Triple-GAN)，Triple-GAN主體包含：分類器(C)、生成器(G)、判別器(D)。Triple-GAN能確保分類器和生成器從博弈論的角度實現分類的最優解，并使生成器能夠在特定的類中對數據進行采樣。

Triple-GAN基于KL散度分布構造的目標損失函數，仍然存在當分布不交叉時，梯度消失的情況。因此，提出利用最小二乘生成對抗網絡(LSGAN)對鑒別器采用最小平方損失函數。實驗證明LSGAN的目標函數可以最小化分布。與常規GAN相比，LSGAN有兩個優點：LSGAN能夠生成比常規GAN更高質量的圖像；LSGAN在學習過程中表現得更加穩定。

但Triple-GAN在應用過程中還是存在以下問題：(1)由于利用KL散度分布，對于分布不交叉的情況，容易產生梯度消失，會導致當訓練沒達到理想結果時候，訓練就終止，從而使模型訓練不穩定。(2)由于手動標記樣本會造成標記標簽不均勻，存在大量數據標記工作量過大的問題。所以，現有的Triple-GAN圖像分類技術存在不足，有必要改進。

發明內容

針對以上問題，本文將利用隨機森林(RandomForests)對Triple-GAN的分類算法進行優化，同時利用LSGAN構建基于最小化卡方分布損失函數，擬開展如下工作：

(1)對分類器進行改進，同時將隨機森林融入到分類器中，構建自動標記標簽的分類器；

(2)利用LSGAN損失函數的推理過程，同時結合Triple-GAN構造模型，形成既能繼承LSGAN的穩定性，又能傳承Triple-GAN的優點。

根據本發明提供的實施方式，提供一種基于Triple-GAN的分類方法。

一種基于Triple-GAN的分類方法，該方法包括以下步驟：

1)獲取真實樣本；基于Triple-GAN構建三人游戲模型，三人游戲模型由分類器(C)、生成器(G)、判別器(D)組成；將真實樣本序列化后輸入到分類器(C)中；判別器(D)由一個基于二叉決策樹預測分析隨機森林構成，其中隨機森林由m棵樹組成，其中：n為真實樣本的個數，h為二叉決策樹高度，h為大于等于3的整數；形成2^h-1*m個葉子節點，將葉子節點作為真實樣本標簽；

2)基于Triple-GAN構建分布的分類器(C)、生成器(G)、判別器(D)的目標函數；