一种基于特征返回的条件DCGAN模型的动态调整算法制造技术

本发明专利技术公开了一种基于特征返回的条件DCGAN模型的动态调整算法，属于深度学习神经网络领域，该算法步骤如下：构造深度卷积生成式对抗网络DCGAN模型；对DCGAN模型进行训练；在判别器的卷积层中，对每一层卷积之后的图像特征数据记为特征数据记录Xi；将所有Xi进行维度扩展；S5、将维度扩展后的特征数据记录Xi与输入生成器中的噪声结合输入到记录图像生成器中进行训练。本方法能够解决在网络训练初期，生成器生成图像不符合数据集特征的问题，使生成器通过学习判别器中卷积过程的图像特征，以更高的效率学习到数据集中的图像特征，从而能够以更快的速度生成符合数据集特征的图像，能够较大程度地减小网络训练所需要的时间。

【技术实现步骤摘要】
一种基于特征返回的条件DCGAN模型的动态调整算法
本专利技术涉及深度学习神经网络
，具体涉及一种基于特征返回的条件DCGAN模型的动态调整算法。
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。判别器每完成一次判断，将结果误差返回给生成器。利用判别器的返回误差，生成器对自身模型进行进一步的改善，生成质量更高的图像，当生成器无法辨别图像来自于数据集还是生成器时，就认为生成器已经达到“以假乱真”的能力。然而，在网络训练的过程中，生成器的学习速度往往是非常缓慢的。在网络训练的初期，由于输入噪声的随机性，生成器生成的图像大多数是不符合数据集特征的、毫无规则的图像。唯一的解决办法是，随着网络训练迭代次数的增加，判别器对图像进行判别之后返回的误差，才能够帮助生成器生本文档来自技高网...

【技术保护点】
一种基于特征返回的条件DCGAN模型的动态调整算法，其特征在于，所述动态调整算法包括下列步骤：S1、构造深度卷积生成式对抗网络DCGAN模型，该DCGAN模型包含记录图像生成器和记录图像判别器，采用交叉熵函数作为双方的损失函数；S2、输入图像数据集，对所述DCGAN模型进行训练；S3、在记录图像判别器的卷积层中，对每一层卷积之后的图像特征结果记录下来，第i层卷积之后的特征数据记录为Xi，i＝1,2，…,N,N为记录图像判别器中卷积层的层数；S4、将所述特征数据记录Xi进行维度扩展，使其维度等于输入记录图像生成器中的噪声维度；S5、将维度扩展之后的特征数据记录Xi与输入记录图像生成器中的噪声结合...

【技术特征摘要】
1.一种基于特征返回的条件DCGAN模型的动态调整算法，其特征在于，所述动态调整算法包括下列步骤：S1、构造深度卷积生成式对抗网络DCGAN模型，该DCGAN模型包含记录图像生成器和记录图像判别器，采用交叉熵函数作为双方的损失函数；S2、输入图像数据集，对所述DCGAN模型进行训练；S3、在记录图像判别器的卷积层中，对每一层卷积之后的图像特征结果记录下来，第i层卷积之后的特征数据记录为Xi，i＝1,2，…,N,N为记录图像判别器中卷积层的层数；S4、将所述特征数据记录Xi进行维度扩展，使其维度等于输入记录图像生成器中的噪声维度；S5、将维度扩展之后的特征数据记录Xi与输入记录图像生成器中的噪声结合，然后共同输入到记录图像生成器中进行训练。2.根据权利要求1所述的一种基于特征返回的条件DCGAN模型的动态调整算法，其特征在于，所述步骤S2具体如下：随机初始化所述记录图像生成器和所述记录图像判别器的卷积神经网络中所有的参数和权重，输入图像数据集，然后利用随机梯度下降的方法对参数不断进行训练、调整与更新。3.根据权利要求1所述的一种基于特征返回的条件DCGAN...

【专利技术属性】
技术研发人员：周智恒，李立军，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44