条件对抗网络的训练方法、装置、电子设备和存储介质制造方法及图纸

本申请公开了条件对抗网络的训练方法、装置、电子设备和存储介质，涉及深度学习和图像处理技术领域。实现方案：通过将噪声编码和当前的条件编码，输入至生成器，得到包含目标对象的第一图片，并将第一图片输入至判别器，根据生成的第一图片属于真实图片的概率、及目标对象在第一图片中的第一判别方向角度与目标方向角度的差值，对生成器和判别器进行修正，以对条件对抗网络进行训练。由此，通过将条件为方向角度的连续量转换为离散量角度区间，并利用分类和回归混合监督的方式，对条件对抗网络进行训练，可以得到条件为连续量的条件对抗网络，不仅提高了网络的收敛效果，而且可以稳定地生成各个方向角度的目标对象。

【技术实现步骤摘要】
条件对抗网络的训练方法、装置、电子设备和存储介质
本申请涉及计算机
，具体涉及深度学习和图像处理
，尤其涉及一种条件对抗网络的训练方法、装置、电子设备和存储介质。
技术介绍
条件生成对抗网络，是一种带条件约束的生成式对抗网络，在生成模型和判别模型中均引入条件变量，使用额外的条件来指导数据的生成。其中，条件生成对抗网络中的条件一般都是类别标签，是一种离散量。可见，相关技术中，条件生成对抗网络适用于条件为离散量的情况。
技术实现思路
本申请提供一种适用于条件为连续量的条件生成对抗网络的方法、装置、电子设备和存储介质。根据第一方面，提供了一种条件对抗网络的训练方法，包括：获取待生成图片中目标对象的目标方向角度；根据所述目标方向角度所属的角度区间，确定当前的条件编码；将所述条件编码及噪声编码输入所述条件对抗网络的生成器，以生成包含所述目标对象的第一图片；将所述第一图片输入所述条件对抗网络的判别器，以生成所述第一图片属于真实图片的概率及所述目标对象在所述第一图片中的第一判别方向角度；以及根据所述第一图片属于真实图片的概率、及所述目标对象在所述第一图片中的第一判别方向角度与所述目标方向角度的差值，对所述生成器及所述判别器进行修正，以对所述条件对抗网络进行训练。本申请实施例的条件对抗网络的训练方法，通过将噪声编码和根据目标对象的目标方向角所属的角度区间确定的条件编码输入至生成器，得到包含目标对象的第一图片，并将第一图片输入至判别器，并根据生成的第一图片属于真实图片的概率、及目标对象在第一图片中的第一判别方向角度与目标方向角度的差值，对生成器和判别器进行修正，以对条件对抗网络进行训练。由此，通过将条件为方向角度的连续量转换为离散量角度区间，并利用分类和回归混合监督的方式，对条件对抗网络进行训练，可以得到条件为连续量的条件对抗网络，不仅提高了网络的收敛效果，而且可以稳定地生成各个方向角度的目标对象。根据第二方面，提供了一种条件对抗网络的训练装置，包括：第一获取模块，用于获取待生成图片中目标对象的目标方向角度；第一确定模块，用于根据所述目标方向角度所属的角度区间，确定当前的条件编码；第一生成模块，用于将所述条件编码及噪声编码输入所述条件对抗网络的生成器，以生成包含所述目标对象的第一图片；第二生成模块，用于将所述第一图片输入所述条件对抗网络的判别器，以生成所述第一图片属于真实图片的概率及所述目标对象在所述第一图片中的第一判别方向角度；以及第一修正模块，用于根据所述第一图片属于真实图片的概率、及所述目标对象在所述第一图片中的第一判别方向角度与所述目标方向角度的差值，对所述生成器及所述判别器进行修正，以对所述条件对抗网络进行训练。本申请实施例的条件对抗网络的训练装置，通过将噪声编码和根据目标对象的目标方向角所属的角度区间确定的条件编码，输入至生成器，得到包含目标对象的第一图片，并将第一图片输入至判别器，得到生成第一图片属于真实图片的概率及目标对象第一图片中的第一判别方向角度，并根据第一图片属于真实图片的概率、及目标对象在第一图片中的第一判别方向角度与目标方向角度的差值，对生成器和判别器进行修正，以对条件对抗网络进行训练。由此，通过将条件为方向角度的连续量转换为离散量角度区间，并利用分类和回归混合监督的方式，对条件对抗网络进行训练，可以得到条件为连续量的条件对抗网络，不仅提高了网络的收敛效果，而且可以稳定地生成各方向个角度的目标对象。根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一方面实施例所述的条件对抗网络的训练方法。根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，所述计算机指令用于使所述计算机执行上述一方面实施例所述的条件对抗网络的训练方法。根据本申请的实施例，通过将条件为方向角度的连续量转换为离散量角度区间，并利用分类和回归混合监督的方式，对条件对抗网络进行训练，可以得到条件为连续量的条件对抗网络，不仅提高了网络的收敛效果，而且可以稳定地生成各个方向角度的目标对象。上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1为本申请实施例提供的一种条件对抗网络的训练方法的流程示意图；图2为本申请实施例提供的一种条件对抗网络的训练方法的流程示意图；图3为本申请实施例提供的一种生成器和判别器的输入输出示意图；图4为本申请实施例提供的另一种条件对抗网络的训练方法的流程示意图；图5为本申请实施例提供的另一种条件对抗网络的训练方法的流程示意图；图6为本申请实施例提供的另一种条件对抗网络的训练方法的流程示意图；图7为本申请实施例提供的一种条件对抗网络的训练装置的结构示意图；图8为根据本申请实施例的条件对抗网络的训练方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。下面参考附图描述本申请实施例的条件对抗网络的训练方法、装置、电子设备和存储介质。本申请实施例，针对相关技术中条件对抗网络适用于条件为离散量的情况，具有一定的局限性的问题，提出一种条件对抗网络的训练方法。本申请实施例的条件对抗网络的训练方法，通过将条件为方向角度的连续量转换为离散量角度区间，并利用分类和回归混合监督的方式，对条件对抗网络进行训练，可以得到条件为连续量的条件对抗网络，不仅提高了网络的收敛效果，而且可以稳定地生成各个方向角度的目标对象。图1为本申请实施例提供的一种条件对抗网络的训练方法的流程示意图。本申请实施例的条件对抗网络的训练方法，可由本申请实施例提供的条件对抗网络的训练装置执行，该装置可配置于电子设备中，以实现利用分类和回归混合监督的方式，对条件对抗网络进行训练。如图1所示，该条件对抗网络的训练方法包括：步骤101，获取待生成图片中目标对象的目标方向角度。相关技术中，条件生成对抗网络中输入的条件为离散量。比如，在数字生成任务中，条件为数字(0-9)，对生成器指定输入类别y，目标是让生成器生成指定类别的数字y，判别器对生成的数字真假以及数字类别进行判断。在实际应用中，存在条件为连续量的需求，比如生成各个角度的人脸图像等。本实施例中，获取待生成图片中目标对象的目标方向角度。其中，目标对象可以是头发、人脸本文档来自技高网...

【技术保护点】
1.一种条件对抗网络的训练方法，包括：/n获取待生成图片中目标对象的目标方向角度；/n根据所述目标方向角度所属的角度区间，确定当前的条件编码；/n将所述条件编码及噪声编码输入所述条件对抗网络的生成器，以生成包含所述目标对象的第一图片；/n将所述第一图片输入所述条件对抗网络的判别器，以生成所述第一图片属于真实图片的概率及所述目标对象在所述第一图片中的第一判别方向角度；以及/n根据所述第一图片属于真实图片的概率、及所述目标对象在所述第一图片中的第一判别方向角度与所述目标方向角度的差值，对所述生成器及所述判别器进行修正，以对所述条件对抗网络进行训练。/n

【技术特征摘要】
1.一种条件对抗网络的训练方法，包括：
获取待生成图片中目标对象的目标方向角度；
根据所述目标方向角度所属的角度区间，确定当前的条件编码；
将所述条件编码及噪声编码输入所述条件对抗网络的生成器，以生成包含所述目标对象的第一图片；
将所述第一图片输入所述条件对抗网络的判别器，以生成所述第一图片属于真实图片的概率及所述目标对象在所述第一图片中的第一判别方向角度；以及
根据所述第一图片属于真实图片的概率、及所述目标对象在所述第一图片中的第一判别方向角度与所述目标方向角度的差值，对所述生成器及所述判别器进行修正，以对所述条件对抗网络进行训练。


2.如权利要求1所述的方法，其中，所述将所述第一图片输入所述条件对抗网络的判别器，以生成所述第一图片属于真实图片的概率及所述目标对象在所述第一图片中的第一判别方向角度，包括：
将所述第一图片输入判别器，以生成所述目标对象在各个角度区间的各个第一概率；以及
根据所述各个第一概率、所述各个角度区间对应的区间编码及每个所述角度区间对应的角度范围，确定所述目标对象在所述第一图片中的第一判别方向角度。


3.如权利要求2所述的方法，其中，所述根据所述各个第一概率、所述各个角度区间对应的区间编码及每个所述角度区间对应的角度范围，确定所述目标对象在所述第一图片中的第一判别方向角度，包括：
根据所述各个第一概率及所述各个角度区间对应的区间编码，确定所述目标对象在所述第一图片中对应的总区间编码；
根据所述总区间编码及所述每个角度区间对应的角度范围，确定所述第一判别方向角度。


4.如权利要求1所述的方法，还包括：
从训练集中获取包含所述目标对象的第二图片及所述目标对象在所述第二图片中的实际方向角度；
将所述第二图片输入所述判别器中，以生成所述第二图片属于真实图片的概率、及所述目标对象在各个角度区间的各个第二概率；以及
根据所述各个第二概率、所述各个角度区间对应的区间编码及每个所述角度区间对应的角度范围，确定所述目标对象在所述第二图片中的第二判别方向角度；
根据所述第二判别方向角度与所述实际方向角度的差值、及所述第二图片属于真实图片的概率，对所述判别器进行修正。


5.如权利要求1所述的方法，其中，在所述根据所述目标方向角度所属的角度区间，确定当前的条件编码之前，还包括：
根据所述目标方向角度的类型，确定所述目标对象在图片中的角度范围；以及
将所述角度范围划分为预设数量的角度区间。


6.如权利要求5所述的方法，其中，在所述将所述角度范围划分为预设数量的角度区间之前，还包括：
根据所述目标方向角度的类型，确定每个角度区间对应的角度范围极值；
根据所述每个角度区间对应的角度范围极值，确定所述预设数量。


7.如权利要求6所述的方法，其中，所述目标对象为头发，所述目标方向角度为偏航角，所述根据所述每个角度区间对应的角度范围极值，确定所述预设数量，包括：
根据所述每个角度区间对应的角度范围极值，确定初始区间数量N；
如果所述初始区间数量N为偶数，则确定所述预设数量为N+1。


8.如权利要求5所述的方法，其中，所述将所述角度范围划分为预设数量的角度区间，包括：
将所述角度范围平均划分为预设数量的角度区间。


9.如权利要求1-8任一所述的方法，其中，在所述将所述条件编码及噪声编码输入所述条件对抗网络的生成器，以生成包含所述目标对象的第一图片之前，还包括：
根据所述条件编码的维数，确定所述噪声编码的目标维数；
所述将所述条件编码及噪声编码输入所述条件对抗网络的生成器，以生成包含所述目标对象的第一图片，包括：
将所述条件编码及所述目标维数的噪声编码输入所述生成器，以生成所述包含所述目标对象的第一图片。


10.如权利要求1-6任一所述的方法，其中，所述目标方向角度为以下角度中的至少一个：偏航角、俯仰角或翻滚角。


11.一种条件对抗网络的训练装置，包括：
第一获取模块，用于获取待生成图片中目标对象的目标方向角度；
第一...

【专利技术属性】
技术研发人员：杨少雄，赵晨，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11