[發(fā)明專利]一種改進GAN模型的圖像生成方法

有效

• 申請?zhí)枺?/td>: 201911181133.2
• 申請日: 2019-11-27
• 公開（公告）號: CN111027603B
• 公開（公告）日: 2022-07-05
• 發(fā)明（設計）人: 舒軍;李振亞;楊露;吳柯;蔣明威;鄧明舟;舒心怡;潘健;王淑青
• 申請（專利權(quán)）人: 湖北工業(yè)大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務所(特殊普通合伙) 42222
• 代理人: 魏波

1.一種改進GAN模型的圖像生成方法，其特征在于，包括以下步驟：

步驟1：讀取本地已有的原始圖像樣本；

步驟2：預訓練改進LeNet模型；

所述改進LeNet模型，由3組相同的模塊組成，每組模塊結(jié)構(gòu)包括2個3*3卷積和一個1*1卷積，每個卷積需要經(jīng)過歸一化處理、relu激活函數(shù)激活，之后將3個卷積操作做殘差處理，最后連接2*2的池化操作；

步驟3：將改進LeNet模型當做改進GAN模型的判別模型；

步驟4：根據(jù)原始GAN模型的生成模型設計改進GAN模型的生成模型；

所述改進GAN模型的生成模型，包括4組相同的模塊，每組模塊包括5*5反卷積和1*1卷積，每個反卷積和卷積之后經(jīng)過歸一化處理、relu激活函數(shù)激活；

步驟5：以隨機噪聲為生成模型的輸入，經(jīng)過反卷積操作后得到生成的圖像樣本；

步驟6：以生成的圖像樣本和已有的原始圖像樣本為判別模型的輸入，得到圖片是真的概率，并將結(jié)果返回給步驟3中的判別模型和步驟4中的生成模型；

使用梯度上升算法更新判別模型參數(shù)，其中參數(shù)為各層卷積層的權(quán)重，分辨圖片的真假，生成模型生成更加真實的圖片；

步驟7：生成模型和判別模型相互競爭，相互促進，訓練N步后結(jié)束，最終生成模型生成真實的樣本；

所述生成模型和判別模型相互競爭，相互促進，具體實現(xiàn)過程是：首先生成模型G接收到隨機噪聲Z，生成假的樣本；然后將生成的樣本和原始真實的樣本作為判別模型D的輸入判斷真假；將結(jié)果返回給G和D讓兩個模型，G生成新一批的樣本來欺騙D，而D更新參數(shù)來更準確的區(qū)分真假；兩個網(wǎng)絡模型相互促進更新，直到最后D生成的樣本與真實樣本有相同分布，G也無法再區(qū)分生成樣本與真實樣本的真假。

2.根據(jù)權(quán)利要求1所述的改進GAN模型的圖像生成方法，其特征在于：步驟2中所述預訓練改進LeNet模型，具體實現(xiàn)過程是：以卷積神經(jīng)網(wǎng)絡訓練的方法訓練改進LeNet模型參數(shù)，其中參數(shù)包括改進LeNet的各層卷積層的權(quán)重，獲得的效果為各權(quán)重達到最優(yōu)值讓模型能夠判斷圖片的真假。