[發(fā)明專利]一種基于生成對抗網(wǎng)絡(luò)的地理柵格智能化局部脫敏方法

在審

• 申請?zhí)枺?/td>: 202110264025.2
• 申請日: 2021-03-09
• 公開（公告）號: CN113066094A
• 公開（公告）日: 2021-07-02
• 發(fā)明（設(shè)計(jì)）人: 宋軍;楊帆;張坤;劉宇
• 申請（專利權(quán)）人: 中國地質(zhì)大學(xué)（武漢）
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06T7/155;G06F16/29;G06F21/62
• 代理公司: 武漢知產(chǎn)時代知識產(chǎn)權(quán)代理有限公司 42238
• 代理人: 彭建怡

本發(fā)明提出了一種基于生成對抗網(wǎng)絡(luò)的地理柵格智能化局部脫敏方法，包括：獲取地理柵格數(shù)據(jù)集，并對數(shù)據(jù)集進(jìn)行識別和裁剪預(yù)處理，得到預(yù)處理后的數(shù)據(jù)集；構(gòu)建脫敏邊緣生成網(wǎng)絡(luò)；設(shè)計(jì)脫敏邊緣生成網(wǎng)絡(luò)的脫敏損失函數(shù)，并進(jìn)行訓(xùn)練，最終輸出已經(jīng)脫敏完成的地理柵格脫敏邊緣圖；構(gòu)建圖像補(bǔ)全網(wǎng)絡(luò)；設(shè)計(jì)圖像補(bǔ)全網(wǎng)絡(luò)損失函數(shù)，根據(jù)輸入數(shù)據(jù)進(jìn)行訓(xùn)練，最終輸出脫敏彩色地理柵格。本發(fā)明的有益效果是：可按需求產(chǎn)生不同的脫敏結(jié)果，以達(dá)到智能化、高共享、結(jié)果多樣的脫敏目標(biāo)；實(shí)際解決了地理柵格共享共建需求，重點(diǎn)解決傳統(tǒng)地理柵格數(shù)據(jù)脫敏保護(hù)方案自動化程度較低、脫敏后數(shù)據(jù)缺乏可用性以及脫敏結(jié)果失真的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及地質(zhì)數(shù)據(jù)脫敏和深度學(xué)習(xí)領(lǐng)域，具體涉及一種基于生成對抗網(wǎng)絡(luò)的地理柵格智能化局部脫敏方法。

背景技術(shù)

生成對抗網(wǎng)絡(luò)(Generative Adversarial Nets,GANs)是一種無監(jiān)督學(xué)習(xí)的訓(xùn)練方法，包括兩部分：一個生成器網(wǎng)絡(luò)D和一個辨別器網(wǎng)絡(luò)G。生成器網(wǎng)絡(luò)用于生成逼真的樣本，鑒別器用于從中分辨出生成樣本和原樣本。GANs的學(xué)習(xí)過程是同時訓(xùn)練識別器D和生成器G。G的目標(biāo)是學(xué)習(xí)數(shù)據(jù)x上的分布P_a。G從均勻分布或高斯分布的P_z(z)中對輸入變量z采樣，然后通過另一個網(wǎng)絡(luò)將輸入變量z映射到數(shù)據(jù)空間。另一方面D是分類器，目的是識別影像是來自訓(xùn)練數(shù)據(jù)還是來自G。GANs的極大極小目標(biāo)損失函數(shù)可以表述如下：

通過迭代交替訓(xùn)練，判別模型完成辨別輸入樣本來自于真實(shí)數(shù)據(jù)還是生成模型的任務(wù)。同時，生成模型經(jīng)過訓(xùn)練生成使判別模型無法分辨的數(shù)據(jù)。在訓(xùn)練期間，兩種模型迭代訓(xùn)練競爭，最終生成與兩部分模型學(xué)習(xí)到的數(shù)據(jù)分布最接近的數(shù)據(jù)。

脫敏領(lǐng)域使用的變換方法主要分全局變換方法和局部變換方法。全局變換方法中，置亂加密主要通過破壞數(shù)據(jù)的鄰域相關(guān)性和空間有序性來實(shí)現(xiàn)數(shù)據(jù)脫敏；在局部變換方法中有分塊變換和BP神經(jīng)網(wǎng)絡(luò)方法。地圖局部變換處理是在保證其拓?fù)浣Y(jié)構(gòu)不變基礎(chǔ)上進(jìn)行不可逆的非線性變換，有分塊變換、神經(jīng)網(wǎng)絡(luò)和圖像補(bǔ)全。分塊變換模型能夠?qū)Σ煌膮^(qū)域使用不同的變換參數(shù)進(jìn)行變換，即每一個脫敏的特征點(diǎn)都作為脫敏的參數(shù)進(jìn)行變換，保密性高于線性和非線性全局變換模型。但分塊變形模型難以保持要素的拓?fù)潢P(guān)系，不符合變換光滑連續(xù)的原則。神經(jīng)網(wǎng)絡(luò)已在多個領(lǐng)域取得了顯著的成效，一些學(xué)者提出利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行影像的變換和配準(zhǔn)，以達(dá)到影像光滑的變形效果，具有較高的轉(zhuǎn)換精度，但在地理柵格脫敏方面，相關(guān)研究較少。

圖像補(bǔ)全應(yīng)用在地理信息方面已有一定的研究成果。傳統(tǒng)的圖像補(bǔ)全技術(shù)主要分為基于結(jié)構(gòu)的圖像補(bǔ)全技術(shù)和基于紋理的圖像補(bǔ)全技術(shù)。基于結(jié)構(gòu)的圖像補(bǔ)全算法使用幾何方法對影像中的空缺進(jìn)行修復(fù)，較好的體現(xiàn)影像信息中的結(jié)構(gòu)性原則；在基于紋理的圖像補(bǔ)全方面，隨著神經(jīng)網(wǎng)絡(luò)和計(jì)算機(jī)視覺的發(fā)展，產(chǎn)生了基于生成對抗網(wǎng)絡(luò)的圖像補(bǔ)全技術(shù)。Kamyar Nazeri等人提出一個包含邊緣生成網(wǎng)絡(luò)和圖像補(bǔ)全網(wǎng)絡(luò)的二階對抗模型EdgeConnect，針對一般影像得到具有精細(xì)細(xì)節(jié)的補(bǔ)全結(jié)果。圖像補(bǔ)全技術(shù)從傳統(tǒng)的基于理論方法發(fā)展到基于生成對抗網(wǎng)絡(luò)，補(bǔ)全效果顯著增強(qiáng)。但現(xiàn)在圖像補(bǔ)全技術(shù)大多都是針對一般影像的研究和應(yīng)用，對于地理柵格的補(bǔ)全研究還很少，目前尚無文獻(xiàn)將該方法應(yīng)用在局部脫敏領(lǐng)域的案例。

反饋方法在人工智能中應(yīng)用廣泛，在神經(jīng)網(wǎng)絡(luò)、尤其是循環(huán)神經(jīng)網(wǎng)絡(luò)以及強(qiáng)化學(xué)習(xí)中都存在著反饋的應(yīng)用。在神經(jīng)網(wǎng)絡(luò)方面，反饋應(yīng)用的場景很多，如利用選擇性正負(fù)反饋來產(chǎn)生WTA競爭，提出一個通過利用p范數(shù)與神經(jīng)元的相互作用的模型。V J等設(shè)計(jì)了包含正負(fù)反饋的神經(jīng)網(wǎng)絡(luò)模型，用于預(yù)測在細(xì)胞控制系統(tǒng)中遺傳網(wǎng)絡(luò)的穩(wěn)定性和冗余性。J Fei等提出了包含兩種不同的反饋回路的雙回路遞歸神經(jīng)網(wǎng)絡(luò)(DLRNN)結(jié)構(gòu)的控制系統(tǒng)。強(qiáng)化學(xué)習(xí)是一種在與環(huán)境的交互中獲得反饋的模型訓(xùn)練方法，強(qiáng)化學(xué)習(xí)的學(xué)習(xí)過程需要環(huán)境反饋的獎勵信號，因此強(qiáng)化學(xué)習(xí)與反饋密不可分，但反饋方法在智能化脫敏方面卻尚無文獻(xiàn)應(yīng)用。

現(xiàn)有的局部脫敏的方法幾點(diǎn)不足：

(1)神經(jīng)網(wǎng)絡(luò)已在多個領(lǐng)域取得了顯著的成效，但在地理柵格脫敏方面，相關(guān)研究較少。