一种基于生成式对抗网络的考古线图自动生成方法技术

本发明专利技术公开了一种基于生成式对抗网络的考古线图自动生成的方法。该方法包括：根据已有的文物照片与标准线图之间的对应关系，构建训练数据集；利用所述训练数据集训练生成式对抗网络，该生成式对抗网络包括生成器和判断器，其中生成器用于根据文物照片生成预测的线图，判别器用于约束生成器输出的预测线图与标准线图之间的损失满足设定目标，进而获得优化的生成器。本发明专利技术首次将生成式对抗网络引入考古线图领域，减轻考古线图绘制的人力成本。并且，在使用过程中交互系统可扩充数据集，解决了考古线图数据集制作困难的问题。了考古线图数据集制作困难的问题。了考古线图数据集制作困难的问题。

【技术实现步骤摘要】
一种基于生成式对抗网络的考古线图自动生成方法


[0001]本专利技术涉及图像处理
，更具体地，涉及一种基于生成式对抗网络的考古线图自动生成方法。

技术介绍

[0002]深度学习是机器学习中一个极为重要的分支，随着信息化进程的浪潮，计算机运算速度和数据量的不断增加，基于卷积神经网络(CNN)的深度学习技术得到了飞速发展。例如，在人脸识别、语言翻译等方面实现了商业领域上的成功应用。与传统的判别式深度学习网络框架相比，生成式深度学习网络框架能够更好的发掘数据的本质特征，但存在训练困难，需要先验知识等问题。
[0003]考古线图作为考古学研究中的重要手段，可以直观反映遗迹和遗物的空间位置和形态特征，较客观地记录和保存考古现场中蕴涵的信息，考古线图的应用范围贯穿在考古工作的整个过程中。然而，传统的边缘检测网络例如HED、CED、BDCN在监督数据线条轮廓复杂时对数据集要求很高，容易发生训练不收敛等问题。此外，对于考古线图数据集来说，制作成本高昂，制作周期长，通常需要进行手工绘制。这就导致数据集制作困难，样本数量短时间内难以增加等问题。

技术实现思路

[0004]本专利技术的目的是克服上述现有技术的缺陷，提供一种基于生成式对抗网络的考古线图自动生成方法。
[0005]根据本专利技术的第一方面，提供一种基于生成式对抗网络的考古线图自动生成的方法。该方法包括以下步骤：
[0006]根据已有的文物照片与标准线图之间的对应关系，构建训练数据集；
[0007]利用所述训练数据集训练生成式对抗网络，该生成式对抗网络包括生成器和判断器，其中生成器用于根据文物照片生成预测的线图，判别器用于约束生成器输出的预测线图与标准线图之间的损失满足设定目标，进而获得优化的生成器。
[0008]根据本专利技术的第二方面，提供一种考古线图自动生成交互系统。该系统包括，客户端和后端网络，该后端网络包含根据本专利技术上述方法获得的优化的生成器，其中：客户端用于获取待处理的文物图片并上传到后端网络；后端网络用于对接收的文物照片进行处理，进而输入到所述优化的生成器，获得对应的线图结果并将其反馈给客户端；客户端提供交互界面供用户对线图结果进行修正，并将修正线图上传至后端网络，用于扩充训练数据集。
[0009]与现有技术相比，本专利技术的优点在于，相比于传统边缘提取算子的方法和基于边缘的神经网络的算法，本专利技术利用自主构建的考古线图图片、线图数据集，并利用生成式对抗网络的结构特点，生成高质量的文物线图。此外，本专利技术利用交互系统可以对线图生成结果进行矫正，克服了现有方法生成线图质量差、参数需要手工调整、训练过程不稳定等困难。本专利技术将进行矫正的线图作为新的数据添加到数据集中，实现了系统的自由化，克服了
考古线图数据集人力制作成本高、时间慢等问题。
[0010]通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
附图说明
[0011]被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。
[0012]图1是根据本专利技术一个实施例的基于生成式对抗网络的考古线图自动生成方法的流程图；
[0013]图2是根据本专利技术一个实施例的基于生成式对抗网络的pix2pix网络结构示意图；
[0014]图3是根据本专利技术一个实施例的pix2pix网络生成模型示意图；
[0015]图4是根据本专利技术一个实施例的线图绘制效果与现有技术输出结果的对比图；
[0016]图5是根据本专利技术一个实施例的考古线图自动生成系统的示意图；
[0017]图6是根据本专利技术一个实施例的自动生成考古线图的应用过程示意图。
具体实施方式
[0018]现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。
[0019]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。
[0020]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0021]在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
[0022]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0023]参见图1所示，所提供的基于生成式对抗网络的考古线图自动生成方法包括以下步骤。
[0024]步骤S110，构建训练数据集，其包含的样本数据反映文物照片与标准线图之间的对应关系。
[0025]具体地，根据考古需求，选取目标文物照片，并与标准线图一一对应，构建数据集。标准线图可由考古专家绘制或计算机辅助绘制。文物种类包括但限于器物或遗址等。
[0026]例如，使用龙门石窟古阳洞第45窟、46窟、48窟的图片和绘制的标准线图制作数据集，进行剪裁和缩放到400x400像素后，剔除质量不好的图片数据集中共有400对照片
‑
线图。
[0027]优选地，为了提高后续网络模型的训练精度，可通过数据增强技术，例如翻转、旋转、缩放、位移数据集获得增强的数据集，构成训练数据集。
[0028]应理解的是，得到的数据集可划分为训练数据集、验证集和测试集，以使用数据集
对生成式对抗网络进行训练和验证，优化网络参数。
[0029]步骤S120，构建生成式对抗网络。
[0030]在本专利技术中，针对考古线图数据集要求高，容易发生训练不收敛等问题，选用生成式对抗网络搭建pix2pix网络模型，网络模型的初始化参数可随机设置。
[0031]参见图2所示，生成式对抗网络包括生成器G(或称生成模型)和判别器D(或称判别模型)。生成器以文物照片作为输入，生成对应的线图。判别器在训练过程中约束生成器，目标是使生成器生成的线图质量越来越高，尽量逼近标准线图，直到可以骗过判别器，例如，以生成器输出的线图和标准线图之间的损失最小为优化目标。
[0032]在生成式对抗网络中，生成器和判别器可采用神经网络实现，或者只需要能拟合相应的生成和判别函数即可。
[0033]例如，可选地，生成器采用U
‑
NET网络结构，参见图3所示。Unet网络包含U型对称结构和跳跃连接(skip
‑
connection)。这种结构避免了直接在高级语义特征上进行监督和损失计算，从而保证了提取的特征图融合了更多的低层次特征，并使得多层次特征得到融合。选用Unet网络生成考古线图，能够保留边缘信息。这种基于生成式对抗网络的pix2pix模型将线图生成任务当作是一个像素到像素的翻译任务，有效解决了之前网络对数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成式对抗网络的考古线图自动生成的方法，包括以下步骤：根据已有的文物照片与标准线图之间的对应关系，构建训练数据集；利用所述训练数据集训练生成式对抗网络，该生成式对抗网络包括生成器和判断器，其中生成器用于根据文物照片生成预测的线图，判别器用于约束生成器输出的预测线图与标准线图之间的损失满足设定目标，进而获得优化的生成器。2.根据权利要求1所述的方法，其特征在于，根据以下步骤构建所述训练数据集：获取文物照片和对应的标准线图的数据集；将文物照片进行裁剪和缩放，以达到目标尺寸；通过翻转、旋转、缩放、位移数据集获得增强的数据集，构成所述训练数据集。3.根据权利要求1所述的方法，其特征在于，还包括：将所述优化的生成器的优化参数值保存在文件中；利用测试集验证所述优化的生成器输出线图的效果，其中测试过程中加载所保存的文件。4.根据权利要求1所述的方法，其特征在于，所述生成器采用U
‑
...

【专利技术属性】
技术研发人员：刘学平，李博月，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：