1.基于注意力机制和生成对抗网络的图像分类方法,其特征在于,所述方法包括:
从互联网获取商家上传的各种类型的证件照图像并存储;
预处理获取的证件照图像;
在生成对抗网络中引入注意力机制,构建改进的生成对抗网络;
基于预处理后的证件照图像生成训练集,利用训练集训练改进的生成对抗网络;
利用训练后的网络对待分类的证件照图像进行分类。
2.根据权利要求1所述的基于注意力机制和生成对抗网络的图像分类方法,其特征在于,证件照图像的预处理包括:
将不同尺寸的证件照图像统一到相同的尺寸;
按照预设比例旋转变换每种类型的证件照图像,获得不同角度下的该类型证件照图像;
在图像采样时,根据不同类型证件照图像的数量进行平衡采样,以确保生成的数据集中各类型证件照图像的数量一致。
3.根据权利要求1所述的基于注意力机制和生成对抗网络的图像分类方法,其特征在于,所述方法还包括:基于预处理后的证件照图像生成验证集和测试集,利用验证集和测试集分别验证和测试改进的生成对抗网络。
4.根据权利要求1所述的基于注意力机制和生成对抗网络的图像分类方法,其特征在于,所述从互联网获取商家上传的各种类型的证件照图像并存储,具体包括:利用爬虫技术,从各大网络餐饮网站获取商家的各类证件照图像,包括6个类别:食品经营许可证、食品流通许可证、食品服务许可证、营业执照、三小证件照、其他证件照,将获取的各类证件照图像分成训练集、验证集、测试集,并存储在云端服务器。
5.根据权利要求1-4中任意一个所述的基于注意力机制和生成对抗网络的图像分类方法,其特征在于,本方法在利用训练集训练改进的生成对抗网络之后,以及利用训练后的网络对待分类的证件照图像进行分类之前,还包括步骤:
使用批梯度下降和目标函数更新改进的生成对抗网络的参数;
调整改进的生成对抗网络的超参数,在保持符合预设要求学习率的前提下寻求编码器encoder网络和生成器generator网络交替次数的平衡。
6.根据权利要求5所述的基于注意力机制和生成对抗网络的图像分类方法,其特征在于,使用批梯度下降和目标函数更新改进的生成对抗网络的编码器e和生成器g:
其中,ρ是两个向量的pearson相关系数;e和g分别表示使目标函数最小化的判别器和生成器;z和x分别表示噪声向量和图像输入;t是将向量映射成标量的函数;f、g和h均为计算损失的函数;losscrossentropy表示编码器输出的分类向量与真实类别的交叉熵;λ为平衡pearson相关系数正则化项的超参数;
其中,avg和std分别表示特征向量的均值和标准差;z和
7.根据权利要求1所述的基于注意力机制和生成对抗网络的图像分类方法,其特征在于,改进的生成对抗网络先利用生成网络解码和上采样随机采样的噪声得到一张和需要生成的目标图像大小一致的伪图,再经由判别网络即编码器判断其真伪,两者互为对抗学习;在生成对抗网络中引入注意力机制使得生成网络和判别网络均能更关注证件照图像预设重要区域的特征。
8.根据权利要求7所述的基于注意力机制和生成对抗网络的图像分类方法,其特征在于,证件照图像预设重要区域包括:证件照名称、颁发证件照的日期和有效期、证件照二维码和中华人民共和国国徽。
9.根据权利要求7所述的基于注意力机制和生成对抗网络的图像分类方法,其特征在于,在生成对抗网络中引入注意力机制为:利用pearson相关系数用于计算每个特征图层和其余特征图层的相似度,将每个特征图层看作分类目标的一部分,pearson相关系数的大小与该部分的特征和其余部分特征的相关度大小成正比,引入的注意力机制关注证件照图像预设重要区域的特征。
10.基于注意力机制和生成对抗网络的图像分类系统,其特征在于,所述系统包括:
数据获取与存储单元,用于从互联网获取商家上传的各种类型的证件照图像并存储;
预处理单元,用于预处理获取的证件照图像;
改进的生成对抗网络构建单元,用于在生成对抗网络中引入注意力机制,构建改进的生成对抗网络;
训练单元,用于基于预处理后的证件照图像生成训练集,利用训练集训练改进的生成对抗网络;
图像分类单元,用于利用训练后的改进的生成对抗网络对待分类的证件照图像进行分类。