[發明專利]一種改進GAN模型的圖像生成方法

有效

• 申請號: 201911181133.2
• 申請日: 2019-11-27
• 公開（公告）號: CN111027603B
• 公開（公告）日: 2022-07-05
• 發明（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）人: 湖北工業大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 魏波

本發明公開了一種改進GAN模型的圖像生成方法，首先讀取本地已有的原始圖像樣本；預訓練改進LeNet模型；將改進LeNet模型當做改進GAN模型的判別模型；根據原始GAN模型的生成模型設計改進GAN模型的生成模型；以隨機噪聲為生成模型的輸入，經過反卷積操作后得到生成的圖像樣本；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，并將結果返回給步驟3中的判別模型和步驟4中的生成模型；判別模型更新參數來更好的分辨圖片的真假，生成模型生成更加真實的圖片；生成模型和判別模型相互競爭，相互促進，訓練N步后結束，最終生成模型生成真實的樣本。本發明不僅能夠為廠家節省成本而且能夠為后續的分類問題提供更多的樣本。

技術領域

本發明屬于圖像處理技術領域，涉及一種圖像生成方法，具體涉及一種改進GAN模型的圖像生成方法。

背景技術

在處理生產線上分類問題時，廠家提供的樣本數量有限，為增加樣本的特征提高分類模型的穩定性，需要根據已有樣本來生成圖片。

目前GAN模型在圖像生成中應用廣泛，但是存在模型崩潰和模型難以訓練的問題。

發明內容

為了解決上述技術問題，本發明結合改進LeNet模型和GAN模型，提供了一種改進GAN模型的圖像生成方法。

本發明所采用的技術方案是：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；

步驟3：將改進LeNet模型當做改進GAN模型的判別模型；

步驟4：根據原始GAN模型的生成模型設計改進GAN模型的生成模型；

步驟5：以隨機噪聲為生成模型的輸入，經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，其中參數為各層卷積層的權重，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步后結束，最終生成模型生成真實的樣本。

作為優選，步驟2中所述改進LeNet模型，由3組相同的模塊組成，每組模塊結構包括2個3*3卷積和一個1*1卷積，每個卷積需要經過歸一化處理、relu激活函數激活，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。

作為優選，步驟2中所述預訓練改進LeNet模型，以卷積神經網絡訓練的方法訓練改進LeNet模型參數，其中參數包括改進LeNet的各層卷積層的權重，獲得的效果為各權重達到最優值讓模型能夠判斷圖片的真假。

作為優選，步驟4中所述改進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過經過歸一化處理、relu激活函數激活。

作為優選，步驟7中所述生成模型和判別模型相互競爭，相互促進，具體實現過程是：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更新參數來更準確的區分真假；兩個網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也無法再區分生成樣本與真實樣本的真假。

本發明結合改進LeNet和GAN提出改進GAN，并提出先分類后生成圖片的訓練方法，不僅能夠為廠家節省成本而且能夠為后續的分類問題提供更多的樣本。

附圖說明