[發(fā)明專利]一種基于半監(jiān)督生成對抗網(wǎng)絡(luò)的通用圖像分類方法和裝置

有效

• 申請?zhí)枺?/td>: 201810851668.5
• 申請日: 2018-07-30
• 公開（公告）號: CN109190665B
• 公開（公告）日: 2023-07-04
• 發(fā)明（設(shè)計）人: 蘇磊;凌平;張萬才
• 申請（專利權(quán)）人: 國網(wǎng)上海市電力公司;華東電力試驗研究院有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/0475;G06N3/0464;G06N3/048;G06N3/0895;G06N3/094
• 代理公司: 上海科盛知識產(chǎn)權(quán)代理有限公司 31225
• 代理人: 翁惠瑜

1.一種基于半監(jiān)督生成對抗網(wǎng)絡(luò)的通用圖像分類方法，其特征在于，包括：

步驟1：訓(xùn)練得到深度卷積生成對抗網(wǎng)絡(luò)DCGAN，所述DCGAN包括生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)，所述判別網(wǎng)絡(luò)包括依次連接的卷積神經(jīng)網(wǎng)絡(luò)和Softmax多分類器；

步驟2：將待分類的圖像輸入至所述卷積神經(jīng)網(wǎng)絡(luò)，得到圖像特征；

步驟3：將得到的圖像特征輸入所述Softmax多分類器，得到分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟1包括：

步驟10：在DCGAN框架下，將隨機噪聲輸入生成網(wǎng)絡(luò)，根據(jù)真實數(shù)據(jù)的分布擬合噪聲的分布，得到和真實數(shù)據(jù)分布相近的分布，生成無標(biāo)記樣本圖像；

步驟11：將真實圖像作為有標(biāo)記樣本圖像與所述無標(biāo)記樣本圖像一起輸入判別網(wǎng)絡(luò)，以供判別網(wǎng)絡(luò)學(xué)習(xí)兩種類型的數(shù)據(jù)分布；

步驟12：根據(jù)判別網(wǎng)絡(luò)對輸入的樣本圖像的真假性判別結(jié)果，計算梯度，固定生成網(wǎng)絡(luò)的參數(shù)，通過反向傳播算法更新判別網(wǎng)絡(luò)的節(jié)點的權(quán)重系數(shù)；

步驟13：根據(jù)判別網(wǎng)絡(luò)的反饋結(jié)果，固定判別網(wǎng)絡(luò)參數(shù)，通過反向傳播算法更新生成網(wǎng)絡(luò)的節(jié)點的權(quán)重系數(shù)；

步驟14：判斷判別網(wǎng)絡(luò)的分類準(zhǔn)確率誤差是否小于預(yù)設(shè)閾值，如果否，則轉(zhuǎn)至步驟10，重復(fù)進行訓(xùn)練，如果是，則訓(xùn)練結(jié)束，得到訓(xùn)練完成的DCGAN。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟10中，所述隨機噪聲服從高斯分布。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述步驟11中，所述真實圖像經(jīng)過高斯濾波預(yù)處理后作為所述有標(biāo)記樣本圖像。

5.根據(jù)權(quán)利要求1-4中任一所述的方法，其特征在于，所述步驟14中，所述分類準(zhǔn)確率誤差為使用對數(shù)似然函數(shù)的損失函數(shù)，計算公式如下：loss＝-lnap，其中，ap代表類別p對應(yīng)的分類概率。

6.一種基于半監(jiān)督生成對抗網(wǎng)絡(luò)的通用圖像分類裝置，其特征在于，包括：

網(wǎng)絡(luò)訓(xùn)練模塊，用于訓(xùn)練得到深度卷積生成對抗網(wǎng)絡(luò)DCGAN，所述DCGAN包括生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)，所述判別網(wǎng)絡(luò)包括依次連接的卷積神經(jīng)網(wǎng)絡(luò)和Softmax多分類器；

圖像特征獲取模塊，用于將待分類的圖像輸入至所述卷積神經(jīng)網(wǎng)絡(luò)，得到圖像特征；

分類模塊，用于將得到的圖像特征輸入所述Softmax多分類器，得到分類結(jié)果。

7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述網(wǎng)絡(luò)訓(xùn)練模塊包括：

第一輸入子模塊，用于在DCGAN框架下，將隨機噪聲輸入生成網(wǎng)絡(luò)，根據(jù)真實數(shù)據(jù)的分布擬合噪聲的分布，得到和真實數(shù)據(jù)分布相近的分布，生成無標(biāo)記樣本圖像；

第二輸入子模塊，用于將真實圖像作為有標(biāo)記樣本圖像與所述無標(biāo)記樣本圖像一起輸入判別網(wǎng)絡(luò)，以供判別網(wǎng)絡(luò)學(xué)習(xí)兩種類型的數(shù)據(jù)分布；

第一更新子模塊，用于根據(jù)判別網(wǎng)絡(luò)對輸入的樣本圖像的真假性判別結(jié)果，計算梯度，固定生成網(wǎng)絡(luò)的參數(shù)，通過反向傳播算法更新判別網(wǎng)絡(luò)的節(jié)點的權(quán)重系數(shù)；

第二更新子模塊，用于根據(jù)判別網(wǎng)絡(luò)的反饋結(jié)果，固定判別網(wǎng)絡(luò)參數(shù)，通過反向傳播算法更新生成網(wǎng)絡(luò)的節(jié)點的權(quán)重系數(shù)；

判斷子模塊，用于判斷判別網(wǎng)絡(luò)的分類準(zhǔn)確率誤差是否小于預(yù)設(shè)閾值，如果否，則轉(zhuǎn)至第一輸入子模塊，重復(fù)進行訓(xùn)練，如果是，則訓(xùn)練結(jié)束，得到訓(xùn)練完成的DCGAN。

8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述第一輸入子模塊中，所述隨機噪聲服從高斯分布。

9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述第二輸入子模塊中，所述真實圖像經(jīng)過高斯濾波預(yù)處理后作為所述有標(biāo)記樣本圖像。

10.根據(jù)權(quán)利要求6-9中任一所述的裝置，其特征在于，所述判斷子模塊中，所述分類準(zhǔn)確率誤差為使用對數(shù)似然函數(shù)的損失函數(shù)，計算公式如下：loss＝-lnap，其中，ap代表類別p對應(yīng)的分類概率。