[發明專利]基于生成對抗網絡的圖像分類方法、系統及電子設備

在審

• 申請號: 202010725682.8
• 申請日: 2020-07-24
• 公開（公告）號: CN112101404A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 公茂果;汪昆;王釗;梁爽;王善峰;武越;張明陽;李豪
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00;G06F21/62
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 李園園

本發明公開了一種基于生成對抗網絡的圖像分類方法、系統及電子設備。該方法包括：服務端獲取待分類圖像，對各個客戶端發起判定請求；每個客戶端根據判定請求，對自身狀態參數判定后反饋響應信號給服務端；服務端根據響應信號，將待分類圖像分發給可以參加分類任務的目標客戶端；各個目標客戶端將待分類圖像輸入各自預先訓練的少樣本網絡模型進行分類，得到第一分類結果；服務端對第一分類結果匯總整理，輸出第二分類結果。本發明通過采用生成對抗網絡訓練客戶端的少樣本網絡模型，提高少樣本網絡模型的魯棒性和分類精確度。

技術領域

本發明屬于機器學習技術領域，具體涉及一種基于生成對抗網絡的圖像分類方法、系統及電子設備。

背景技術

近年來人工智能發展非常迅速，但缺乏標簽數據和數據隱私威脅仍然是人工智能領域面臨的兩個挑戰。一方面，由于數據的價值以及敏感性，出于公司利潤的原因或保護用戶隱私的角度，大多數行業中的數據仍以孤島的形式存在，數據難以得到分享；另一方面，機器學習所需的標記數據很難獲得，缺少標簽數據或者標簽數據很少的情況普遍存在；此外，攻擊者會通過給定模型的一些輸出數據推導出輸入數據，甚至可能恢復原本訓練所用的數據集，從而竊取數據，造成隱私數據泄密。因此，急需一種需要少量的標簽數據且能有效保護隱私數據的模型框架，以應用于標簽數據少、安全性要求高的人工智能領域。

但是在訓練樣本較少的情況下，訓練模型會出現過擬合現象，影響模型的魯棒性和精確度，進而影響分類的精確度。

發明內容

為了解決現有技術中存在的上述問題，本發明提供了一種基于生成對抗網絡的圖像分類方法、系統、電子設備及分類模型訓練方法。本發明要解決的技術問題通過以下技術方案實現：

第一方面，本發明實施例提供了一種基于生成對抗網絡的圖像分類方法，包括：

服務端獲取待分類圖像，對各個客戶端發起是否能參加分類任務的判定請求；

每個客戶端根據所述判定請求，對自身狀態參數判定后反饋是否能參加分類任務的響應信號給所述服務端；

所述服務端根據各個客戶端反饋的響應信號，將所述待分類圖像分發給可以參加分類任務的目標客戶端；

各個目標客戶端將所述待分類圖像輸入各自預先訓練的少樣本網絡模型進行分類，得到第一分類結果；并將所述第一分類結果上傳至所述服務端；

所述少樣本網絡模型包括小樣本網絡模型和半監督網絡模型中的至少一種；所述預先訓練的少樣本網絡模型采用生成對抗網絡生成的模型訓練樣本訓練而成；

所述服務端對每個目標客戶端的第一分類結果匯總整理，輸出第二分類結果。

可選的，所述預先訓練的少樣本網絡模型采用生成對抗網絡生成的模型訓練樣本訓練而成，包括：

所述客戶端下載公共數據，并整合所述公共數據和所述客戶端自身的私有數據，使用生成對抗網絡，生成模型訓練樣本；

所述客戶端將所述模型訓練樣本輸入所述客戶端的少樣本網絡模型，生成所述預先訓練的少樣本網絡模型。

可選的，在所述服務端對每個目標客戶端的第一分類結果匯總整理，輸出的分類結果之后，還包括：

所述服務端將所述第一分類結果和所述第二分類結果比對，輸出與所述第二分類結果不一致的第一分類結果；

所述服務端將所述與所述第二分類結果不一致的第一分類結果及所述第二分類結果反饋給各個目標客戶端；

所述各個目標客戶端根據反饋的與所述第二分類結果不一致的第一分類結果及所述第二分類結果更新所述各個目標客戶端的少樣本網絡模型，以用于下一輪分類任務。