一种基于WGAN模型的特征重标定卷积方法技术

本发明专利技术公开了一种基于WGAN模型的特征重标定卷积方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；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、为每一层卷积设定相应的权值，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。在传统的模型中，图像通过多层卷积能够得到多个特征图，但每张特征图权值相等，本方法能够让生成对抗网络学习每张特征图的权值，即重要程度，为后续的训练提高了效率，同时也通过沃瑟斯坦距离提供了网络训练的方向。

【技术实现步骤摘要】
一种基于WGAN模型的特征重标定卷积方法
本专利技术涉及深度学习神经网络
，具体涉及一种基于WGAN模型的特征重标定卷积方法。
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，对于卷积之后的图像特征没有重要程度之分，即都一视同仁。而在本专利技术中，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，另外利用特征重标定卷积学习图像特征的方法，使得网络在训练的过程中能够对不同的特征加以不同的权重，即分清主次，从而提高了整个网络的训练效率。
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，构建了一种基于WGAN模型的特征重标定卷积方法。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，生成器通过生成图像输入至判别器进行网络训练；S2、构造多个卷积核，同时，构造沃瑟斯坦距离，作为对抗网络模型的评判指标；在本专利技术所涉及到的网络模型中，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。S3、初始化随机噪声，输入生成器中；S4、为每一层卷积设定相应的权值，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S2中，构造多个卷积核，不同的卷积核，代表着在学习的过程中，能够学习到不同的图像特征。进一步地，所述的沃瑟斯坦距离如下：其中，两个数据分布pr和pg的所有联合分布的集合记为∏(pr,pg)。进一步地，所述的步骤S4中为每一层卷积设定相应的权值，利用特征重标定卷积对图像进行卷积操作，具体过程如下：S41、为不同的卷积层设定相应的权重；S42、将权值与卷积之后的特征图相乘，进行后续训练。进一步地，所述的步骤S5中，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、对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。本专利技术相对于现有技术具有如下的优点及效果：高效性：本专利技术根据特征重标定卷积的操作过程，设置构造了多个特征重标定卷积核，通过生成对抗网络学习每张特征图的权值，即重要程度，为后续的训练提高了效率，同时也通过沃瑟斯坦距离提供了网络训练的方向。附图说明图1是本专利技术中基于WGAN模型的特征重标定卷积方法的训练流程图；图2是本专利技术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专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。实施例本实施例公开了一种基于WGAN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，生成器通过生成图像输入至判别器进行网络训练。步骤S2、构造多个卷积核，同时，构造沃瑟斯坦距离，作为对抗网络模型的评判指标；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。在本专利技术所涉及到的网络模型中，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。所述的沃瑟斯坦距离如下：其中，两个数据分布pr和pg的所有联合分布的集合记为∏(pr,pg)。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、为每一层卷积设定相应的权值，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、针对不同的卷积层设定对应的权值；S42、将每一层卷积之后的特征图与权值进行相乘，进行后续训练。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。综上所述，本实施例公开了一种基于WGAN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。在传统的模型中，图像通过多层卷积能够得到多个特征图，但每张特征图权值相等，本方法能够让生成对抗网络学习每张特征图的权值，即重要程度，为后续的训练提高了效率，同时也通过沃瑟斯坦距离提供了网络训练的方向。上述实施例为本专利技术较佳的实施方式，但本专利技术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专利技术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，都包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于WGAN模型的特征重标定卷积方法，其特征在于，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；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、为每一层卷积设定相应的权值，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。

【技术特征摘要】
1.一种基于WGAN模型的特征重标定卷积方法，其特征在于，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；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、为每一层卷积设定相应的权值，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。2.根据权利要求1所述的一种基于WGAN模型的特征重标定卷积方法，其特征在于，所述的沃瑟斯坦距离如下：其中，两个数据分布pr和pg的所有联合分布的集合记为∏(pr,pg)。3.根据权利要求1所述的一种基于WGAN模型的特征重标定卷...

【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