基于生成对抗网络的半监督图像分类方法技术

本发明专利技术公开了一种基于生成对抗网络的半监督图像分类方法，用于解决现有技术中存在的因网络提取的特征缺乏辨识度与多样性导致的分类精度较低的技术问题，实现步骤为：获取训练样本集和测试样本集；搭建生成对抗网络模型；对生成对抗网络模型进行迭代训练；获取半监督图像分类结果。本发明专利技术利用特征金字塔网络融合不同层级提取到的特征，通过生成对抗网络的博弈过程提高模型的分类能力，增加了特征的辨识度与多样性，能够更丰富的表征分类图像的类间特征，提高了图像分类精度，并能够在只含有少量精确标注样本的样本集上获得很好的图像分类效果，可用于实际场景中目标分类。

【技术实现步骤摘要】
基于生成对抗网络的半监督图像分类方法
本专利技术属于图像处理
，涉及一种图像分类方法，具体涉及一种基于生成对抗网络的半监督图像分类方法，可用于目标检测、目标分类等领域。
技术介绍
图像分类是计算机视觉领域的核心问题之一，任务是从给定的分类集合中给图像分配一个标签，标签总是来自预定义的可能类别集。目前图像分类有基于距离度量的方法、基于纹理特征的方法和基于深度学习的方法等。近些年来由于深度学习的迅速发展，图像分类领域也取得了重大进展，目前已经可以在一些现实中的图像分类问题上获得较好的分类精度，图像分类技术被广泛应用于目标分类、目标检测等领域。深度学习主要有监督学习、无监督学习和半监督学习三种方法。监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，现有的图像分类方法能够在监督学习中取的良好的效果，但是这依赖于足够数量的带标签训练样本，在很多实际图像分类任务中，依然没有建立相应应用场景下的标准数据集，例如在医学诊断领域和地物图像领域就存在数据样本获取困难的问题，数据精确标注任务需要专家耗费巨大的人力和物力资源，这大大提本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的半监督图像分类方法，其特征在于，包括如下步骤：/n(1)获取训练样本集和测试样本集：/n(1a)获取类别数为K且每个类别包含

【技术特征摘要】
1.一种基于生成对抗网络的半监督图像分类方法，其特征在于，包括如下步骤：
(1)获取训练样本集和测试样本集：
(1a)获取类别数为K且每个类别包含幅图像的数据集，并对数据集进行归一化，得到包含S幅归一化图像的归一化数据集，其中，2≤K≤20，S≥60000；
(1b)从归一化数据集的每类别中随机选取n幅归一化图像，并将选取的共N幅归一化图像作为测试样本集，然后对其余S-N幅归一化图像中的l幅进行标注，得到带标签训练样本集L＝{L1,L2,...,Lm,...,Ll}，将S-N-l幅归一化图像作为不带标签训练样本集U＝{U1,U2,...,Um,...,US-N-l}，其中，Lm表示第m个带标签的训练样本，Um表示第m个不带标签的训练样本；
(2)搭建生成对抗网络模型：
搭建包括生成器网络G和与其连接的判别器网络D的生成对抗网络模型，其中，生成器网络G采用包含全连接层和多个卷积层的卷积神经网络；判别器网络D包括特征金字塔网络和与其级联的SoftMax分类器，特征金字塔网络包括级联的输入层、由依次连接的A个卷积层组成的主干网络M＝{M1,M2,...,Ma,...,MA}和由卷积层组成的输出层，主干网络M中的前A-1个卷积层各连接由多个池化层和一个卷积层组成的第一支干，A-1个第一支干并行排布，组成第一支干网络第A个卷积层MA连接A-1个并行排布的卷积层组成的第二支干网络末端的卷积层与输出层相连，的末端与中的卷积层的前端相连，其中Ma表示M中的第a卷积层，表示Z1中的第a个第一支干，表示Z2中的第a卷积层；
(3)对生成对抗网络模型进行迭代训练：
(3a)初始化生成器网络G的网络参数为θG，判别器网络D的网络参数为θD，判别器网络D对于生成器网络G生成的虚假样本集的类别选项概率为D(Gi(z))，z表示包括k个服从高斯分布的噪声向量的集合，k≥10000，阈值t＝0.001，迭代次数为i，最大迭代次数为I，I≥500，学习标志位为flag，并令i＝0，D(Gi(z))＝0；
(3b)固定生成器网络G的网络参数θG，对判别器网络D的网络参数θD进行更新：
(3b1)将从z中随机选取的v个服从高斯分布的噪声向量作为生成器网络G的输入进行特征提取，得到包括v个特征图的虚假样本集V＝{V1,V2,...,Vm,...,Vv}，5000≤v≤10000，Vm表示第m个虚假样本；
(3b2)将虚假样本集V、带标签训练样本集L和不带标签训练样本集U作为判别器网络D的输入，特征金字塔网络对样本进行特征提取，并对每个样本所提取的特征进行融合，得到v+S-N个样本特征，SoftMax分类器通过每个样本特征输出每个样本的类别选项概率，更新判别器网络D对于生成器网络G生成的虚假样本集V的类别选项概率D(Gi(z))，选取每个样本类别选项概率最高的类别作为样本的类别预测标签；
(3b3)当学习标志位flag＝1时，判别器网络D通过带标签训练样本集L进行监督学习，得到损失函数值Ls，当学习标志位flag＝0时，判别器网络D通过虚假样本集V和不带标签训练样本集U进行无监督学习，得到损失函数值Luns，并采用随机梯度下降法，通过损失函数值Lloss＝Ls+Luns对判别器网络D的网络参数θD进行更新；
(3c)固定判别器网络D的网络参数θD，生成器网络G根据判别器网络D输出的虚假样本集V的类别选项概率D(Gi(z))，计算自己的损失函数值LG，并采用随机梯度下降法，通过损失函数值LG对生成器网络G的网络参数θG进行更新；
(3d)判断i≥I或|D(Gi(z))-0.5|≤t是否成立，若是，得到训练好的生成对抗网络模型，否则，令i＝i+1，并执行步骤(3b)；
(4)获取半监督图像分类结果：
将测试样本集作为训练好的生成对抗网络模...

【专利技术属性】
技术研发人员：田小林，王露，李帅，张艺帆，高文星，杨坤，焦李成，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61