[發明專利]基于生成式雙重條件對抗網絡結構的圖像半監督分類方法

有效

• 申請號: 202011147833.2
• 申請日: 2020-10-23
• 公開（公告）號: CN112257787B
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 宮秀軍;吳澤宇
• 申請（專利權）人: 天津大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/30;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

本發明涉及智能圖像處理，為提出一種生成式雙重條件對抗網絡結新型結構用于圖像半監督分類的新技術，該技術能夠減少模型對無標簽數據信息的損耗，提高無標簽數據信息的二次利用進而提升了判別器的精度。本發明，基于生成式雙重條件對抗網絡結構的圖像半監督分類方法，步驟一，初始化模型的相關變量和網絡參數；步驟二，加載圖像數據；步驟三，生成隨機噪聲以及生成條件即標簽；步驟四，得到生成給定條件即標簽c下的圖像數據；步驟五，訓練并且優化生成器；步驟六，輸入真實數據和生成的數據，生成器與判別器的對抗；步驟七，給出對于有標簽數據和條件生成的數據，判別器所要實現的分類(條件)損失函數；步驟八，輸入無標簽數據x_u，單獨利用無標簽數據對判別器進行二次對抗訓練。本發明主要應用于智能圖像處理場合。

技術領域

本發明涉及智能圖像處理，具體涉及基于生成式雙重條件對抗網絡結構的圖像半監督學習方法。

背景技術

生成式對抗網絡(GAN,Generative Adversarial Networks)是一種深度學習模型，是近年來復雜分布上無監督學習最具前景的方法之一。模型通過框架中(至少)兩個模塊：生成模型(Generative Model)和判別模型(Discriminative Model)的互相博弈學習產生相當好的輸出。

近些年來，不同的研究學者已經提出了很多利用GAN的對抗機制所學習出數據分布的優勢來進行圖像的半監督分類學習。目前主流基于GAN的半監督圖像分類問題都是通過判別模型D和生成模型G對不同狀態數據(有標簽數據，無標簽數據，生成數據)的三種信息提取方式從而實現對于圖像的信息提取來實現圖像的分類問題。但是在主流基于GAN的半監督圖像分類問題中分類器是由常規GAN中的判別器D改進而成的，而生成模型和常規的GAN中的生成模型原理一致；于是在主流基于GAN的半監督圖像分類問題里面生成模型G中生成了大量數據，而這些數據并沒有被判別器得到二次利用；并且主流基于GAN的半監督圖像分類中對于無標簽數據的利用并不夠充分。

綜上，我們對于上述主流基于GAN的半監督圖像分類問題存在的兩個問題提出了新的模型結構；本模型能夠讓生成模型所生成的數據二次利用，以此強化輔助了信息輸入量，從而增強判別器D的泛化性；并且還利用了判別器的二次對抗實現了對于無標簽數據信息的再次利用，從而達到數據信息利用率的最大化。

發明內容

為克服現有技術的不足，本發明旨在提出一種生成式雙重條件對抗網絡結新型結構用于圖像半監督分類的新技術，該技術采用對抗生成思想以及條件生成模型思想，通過雙重對抗網絡結構來替代傳統單一對抗網絡結構中的信息提取，從而減少模型對無標簽數據信息的損耗，提高無標簽數據信息的二次利用進而提升了判別器的精度。

本發明的目的是通過以下技術方案實現的：

一種基于生成式雙重條件對抗網絡結構的圖像半監督分類方法,包括以下步驟：

步驟一，初始化模型的相關變量和網絡參數；

步驟二，加載圖像數據，包括圖像的初始化，以及圖像數據種類的分割，分別切分為訓練集和驗證集以及測試集,其中x_real表示真實數據,x_fake表示生成器G生成數據；

步驟三，生成隨機噪聲noise，以及生成條件即標簽c；

步驟四，將隨機噪聲noise以及條件c輸入到生成器G中，得到生成給定條件即標簽c下的圖像數據x_fake＝G(noise,c)；

步驟五，訓練并且優化生成器G，對于生成器G的損失函數為L_G：