The invention discloses an image channel fusion method based on WGAN model, which belongs to the field of depth learning neural network, including the following steps: S1, constructing the primitive generated antagonistic network model; S2, constructing the Wasserstein distance as the evaluation index of antagonistic network model; S3, initializing random noise, input generator; 4. In WGAN model, channel fusion is used to convolute the image; S5, the loss function is input into the generator for subsequent training. The WGAN model constructed by this method based on channel fusion changes the convolution mode of the discriminator and the generator after receiving the image. After each convolution, the feature maps of each channel of the image are fused, which can improve the robustness of the whole network training model.
【技术实现步骤摘要】
一种基于WGAN模型的图像通道融合方法
本专利技术涉及深度学习神经网络,具体涉及一种基于WGAN模型的图像通道融合方法。
技术介绍
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。在传统的对抗网络模型中,对于生成器生成图像质量并没有统一的评判标准,因此,需要本领域技术人员选取一种合理的参数作为生成对抗网络的评判指标,可以使得整个模型的训练能够往正确的方向进行,同时,亟待提出一种特征融合方法,提高深度学习神经网络的鲁棒性。
技术实现思路
本专利技术的目的是为了解决现有技术中的上述缺陷,提供一种基于WGAN模型的图像通道融合方法,该方法利用沃瑟斯坦距离作为生成对抗网络的评判指标,从而使整个模型的训练能够往正确的方向进行,另外利用通道融合学习图像特征的方法,在每一层卷积之后都对图像各个通道的特征图进行融合,提高了整个网络的鲁棒性。本专利技术的目的可以通过采取如下技术方案达到:一种基于WGAN模型的图像通道融合方法,所述的图像通道融合方法包括以下步骤:S1、构造原始生成对抗网络模型,通过生成器生成图像并输入至判别器进行网络训练;S2、构造沃瑟斯坦距离,作为对抗网络模型的评判指标;S3、初始化随机噪声,输入生成器中;S4、在WGAN模型中利用通道融合 ...
【技术保护点】
1.一种基于WGAN模型的图像通道融合方法,其特征在于,所述的图像通道融合方法包括以下步骤:S1、构造原始生成对抗网络模型,通过生成器生成图像并输入至判别器进行网络训练;S2、构造沃瑟斯坦距离,作为对抗网络模型的评判指标;S3、初始化随机噪声,输入生成器中;S4、在WGAN模型中利用通道融合对图像进行卷积操作;S5、将通道融合操作得到的损失函数输入生成器进行后续训练。
【技术特征摘要】
1.一种基于WGAN模型的图像通道融合方法,其特征在于,所述的图像通道融合方法包括以下步骤:S1、构造原始生成对抗网络模型,通过生成器生成图像并输入至判别器进行网络训练;S2、构造沃瑟斯坦距离,作为对抗网络模型的评判指标;S3、初始化随机噪声,输入生成器中;S4、在WGAN模型中利用通道融合对图像进行卷积操作;S5、将通道融合操作得到的损失函数输入生成器进行后续训练。2.根据权利要求1所述的一种基于WGAN模型的图像通道融合方法,其特征在于,所述的步骤S4过程如下:S41、将图像分解成多个通道;S42、针对图像的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。