一种基于原始生成对抗网络模型的特征重标定卷积方法与流程

本发明涉及深度学习神经网络技术领域，具体涉及一种基于原始生成对抗网络模型的特征重标定卷积方法。

背景技术：

生成式对抗网络(generativeadversarialnetwork,简称gan)是由goodfellow在2014年提出的深度学习框架，它基于“博奕论”的思想，构造生成器(generator)和判别器(discriminator)两种模型，前者通过输入(0，1)的均匀噪声或高斯随机噪声生成图像，后者对输入的图像进行判别，确定是来自数据集的图像还是由生成器产生的图像。

在传统的生成对抗网络模型中，生成器、判别器通过多层卷积得到图像的多个特征，但多个特征之间并没有重要程度之分，基于上述现有技术中缺陷，目前亟待提出一种特征重标定卷积方法，为多个特征设定对应的权重，让网络在训练的过程中学习多个特征的重要程度，即更新权重，从而让后续的训练更有针对性，提高了整个网络的训练效率。

技术实现要素：

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于原始生成对抗网络模型的特征重标定卷积方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于原始生成对抗网络模型的特征重标定卷积方法，所述的特征重标定卷积方法包括下列步骤：

s1、构造原始生成对抗网络模型，通过生成器生成图像输入至判别器进行网络训练；

s2、构造神经网络充当生成器与判别器的功能；

s3、初始化随机噪声，输入生成器中；

s4、在神经网络中利用特征重标定卷积对图像进行卷积操作；

s5、根据每次训练之后损失函数的变化情况，动态更新每一层卷积的权值进行后续训练。

进一步地，所述的步骤s4具体过程如下：

s41、为不同的卷积层设定对应的权值；

s42、将权值与卷积后得到的特征相乘，进行后续的训练。

进一步地，所述的步骤s5具体过程如下：

s51、将特征重标定卷积之后得到的图像特征图，输入判别器中进行判别；

s52、根据每次训练之后损失函数的变化情况，动态更新每一层卷积的权值进行后续训练。

进一步地，所述的损失函数的表达式为：

其中，d(x)表示判别器对图像的判别，pr表示数据集图像的分布，pg表示生成图像的分布，λ为超参数，为梯度，e为取均值的操作符号。

本发明相对于现有技术具有如下的优点及效果：

高效性：本发明根据特征重标定卷积的操作过程，对每一层的卷积都设置了不同的权重，随着网络训练的进行，不断地更新权值，从而让网络能够辨别不同的图像特征，即分清主次，从而能够让整个网络的训练效率更高。

附图说明

图1是本发明中公开的原始生成对抗网络通过特征重标定卷积进行训练的整体流程图；

图2是本发明中针对每一层卷积进行权重更新的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本实施例公开了一种基于原始生成对抗网络模型的特征重标定卷积方法，具体包括下列步骤：

步骤s1、构造原始生成对抗网络模型，通过生成器生成图像输入至判别器进行网络训练。

步骤s2、构造神经网络充当生成器与判别器的功能；

不同的卷积核，体现在矩阵数值的不同、行列数的不同。

构造多个卷积核，在处理图像的过程中，不同的卷积核意味着能够在网络训练的过程中学习到生成图像的不同特征。

在传统的生成对抗网络模型中，生成器、判别器通过多层卷积得到图像的多个特征，但多个特征之间并没有重要程度之分，这种情况将导致整个网络训练效率的低下，而在本发明中，为多个特征设定权重，让网络在训练的过程中学习多个特征的重要程度，从而让后续的训练更有针对性，提高了整个网络的训练效率。

在实际应用中，应该根据数据集图像特征的复杂程度，设置卷积核的个数。

步骤s3、初始化随机噪声，输入生成器中。

步骤s4、在神经网络中利用特征重标定卷积对图像进行卷积操作。

具体方法如下：

s41、为不同的卷积层设定对应的权值；

s42、将权值与卷积后得到的特征相乘，进行后续的训练。

步骤s5、根据每次训练之后损失函数的变化情况，动态更新每一层卷积的权值进行后续训练。具体过程如下：

s51、将步骤s4中卷积之后的特征图，输入判别器进行判别；

s52、根据每次训练之后损失函数的变化情况，动态更新每一层卷积的权值进行后续训练。

损失函数的作用是衡量判别器对生成图像判断的能力。损失函数的值越小，说明在当前迭代中，判别器能够有较好的性能辨别生成器的生成图像；反之则说明判别器的性能较差。

损失函数的表达式为：

其中，d(x)表示判别器对图像的判别，pr表示数据集图像的分布，pg表示生成图像的分布，λ为超参数，为梯度，e为取均值的操作符号。

综上所述，本实施例公开了一种基于原始生成对抗网络模型的特征重标定卷积方法，相比于传统的原始对抗网络模型，改变了判别器接收图片后的对图像特征进行学习的方式。在传统的生成对抗网络模型中，生成器、判别器通过多层卷积得到图像的多个特征，但多个特征之间并没有重要程度之分，这种情况将导致整个网络训练效率的低下，而在本发明中，为多个特征设定权重，让网络在训练的过程中学习多个特征的重要程度，从而让后续的训练更有针对性，提高了整个网络的训练效率。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。