【技术实现步骤摘要】
基于跨域对偶生成式对抗网络的偏见消除方法与装置
本专利技术属于图像生成领域，具体设计一种基于跨域对偶生成式对抗网络的偏见消除方法与装置。
技术介绍
近年来，深度学习已经被广泛的应用于目标检测、图像检测、数据生成等领域。生成对抗网络(GAN)是目前深度学习中较为先进的技术之一，生成对抗网络通过框架中(至少)两个模块：生成模型(GenerativeModel)和判别模型(DiscriminativeModel)的互相博弈学习产生较好的输出，一般采用深度神经网络。跨域图像-图像翻译的生成对抗网络(GAN)取得了很大的进展。根据任务复杂度的不同，训练生成对抗网络需要成千上万个图像对，而对于大量数据来说图像对是难以获得的。从自然语言翻译中得到对偶学习的启发，产生了一种新的对偶生成对抗网络机制(Dual-GAN)，是在原来的生成对抗网络的基础上进一步扩展为两个相互耦合的生成对抗网络，其中有两个生成器和两个判别器，使图像翻译人员可以从两个域的两组图像中进行训练与辨别。对偶生成对抗网络最关键的一点在于，给定一个原始任务模型，对偶任务...
【技术保护点】
1.一种基于跨域对偶生成式对抗网络的偏见消除方法，其特征在于，包括以下步骤：/n(1)采集图像数据，并标记图像数据的任务标签和受保护属性，将任务标签、受保护属性与图像数据构成一个样本图像，组成样本集，根据任务标签不同将样本集分成U域样本集和V域样本集，U域样本集中样本图像u和V域样本集中的样本图像v组成一个样本对；/n(2)基于跨域对偶生成式对抗网络构建训练系统，包括生成器GA、判别器DA、生成器GB、判别器DB，样本对中样本图像u和样本图像v分别输入至生成器GA、生成器GB中，并为生成器GA和生成器GB分别添加噪声信息z和噪声信息z’，样本图像u与噪声信息z经过生成器GA编码的生成图像G
【技术特征摘要】
1.一种基于跨域对偶生成式对抗网络的偏见消除方法，其特征在于，包括以下步骤：
(1)采集图像数据，并标记图像数据的任务标签和受保护属性，将任务标签、受保护属性与图像数据构成一个样本图像，组成样本集，根据任务标签不同将样本集分成U域样本集和V域样本集，U域样本集中样本图像u和V域样本集中的样本图像v组成一个样本对；
(2)基于跨域对偶生成式对抗网络构建训练系统，包括生成器GA、判别器DA、生成器GB、判别器DB，样本对中样本图像u和样本图像v分别输入至生成器GA、生成器GB中，并为生成器GA和生成器GB分别添加噪声信息z和噪声信息z’，样本图像u与噪声信息z经过生成器GA编码的生成图像GA(u,z)再与噪声信息z’经过生成器GB编码得到生成图像GB(GA(u,z),z')，样本图像v与噪声信息z’经过生成器GB编码的生成图像GB(v,z')再与噪声信息z经过生成器GA编码得到生成图像GA(GB(u,z'),z)，判别器DA判别生成图像GA(u,z)与样本图像v的真伪，判别器DB判别生成图像GB(v,z')与样本图像u的真伪；
(3)构建损失函数，根据生成图像GA(u,z)与样本图像v之间的距离构建判别器DA的第一损失函数；根据生成图像GB(v,z’)与样本图像u之间的距离构建判别器DB的第二损失函数，根据所有生成图像和样本图像之间的距离构建第一部分损失，根据任务标签和判别标签的交叉熵、受保护属性与编码特征的交叉熵构建第二部分损失，第一部分损失和第二部分损失组成生成器GA和生成器GB的第三损失函数；
(4)利用第一损失函数、第二损失函数以及第三损失函数对训练系统进行对抗训练，训练结束后，提取参数确定的生成器GA和GB作为两个图像迁移模型；
(5)应用时，将图像对分别输入至两个图像迁移模型，经计算生成图像域迁移的两张迁移图像。
2.如权利要求1所述的基于跨域对偶生成式对抗网络的偏见消除方法，其特征在于，所述第一损失函数为：
第二损失函数为：
其中，DA(v)为样本图像v输入至判别器DA得到的预测判别结果，DA(GA(u,z))为生成图像GA(u,z)输入至判别器DA得到的预测判别结果，DB(u)为样本图像u输入至判别器DB得到的预测判别结果，DB(GB(v,z'))为生成图像GB(v,z')输入至判别器DB得到的预测判别结果。
3.如权利要求1所述的基于跨域对偶生成式对抗网络的偏见消除方法，其特征在于，所述第三损失函数lg(u,v)为：
l...
【专利技术属性】
技术研发人员：陈晋音，徐思雨，缪盛欢，徐国宁，陈治清，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
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。