【技术实现步骤摘要】
一种基于图像生成的少样本电力场景增广及分类方法
[0001]本专利技术涉及一种基于图像生成的少样本电力场景增广及分类方法，属于计算机视觉
技术介绍
[0002]现有的基于深度学习的电力场景识别技术大多采用全监督的方法，这些方法是在收集到的大规模电力场景数据集上进行训练。尽管这些全监督的方法在现有数据集上表现良好，但数据收集与标注的成本限制了其实际的应用场景。
[0003]针对上述问题，少样本识别算法被提出，旨在少量带标注的样本下完成对新类别图像的识别。现有的少样本识别方法大多采用元学习的训练方式，学习一种类别无关的模型来快速适应新类别的识别。现有的少样本识别方法大多采用基于原型的方法或者基于参数生成的方法，通过情景式训练和双分支模型来设计各种模块以更好的从标注数据中抽取先验知识以及完善标注数据对未标注数据的引导作用来提升泛化能力。
[0004]尽管上述基于元学习的方法在少样本识别任务上有一定的性能提升，但情景式训练将训练集中的类别看作是独立的，这与实际电力场景不符合。因此亟需在极少量新类别图片(1<...
【技术保护点】
【技术特征摘要】
1.一种基于图像生成的少样本电力场景增广方法，其特征在于，包括以下步骤：在已知类数据上训练一个以词向量为条件的生成对抗网络；在新类少量图片的条件下，微调所述生成对抗网络，使微调后的生成对抗网络为新类别生成大量的图片，形成伪样本；基于图像质量的评估技术，从伪样本中筛选出具有逼真性和多样性的图片，得到用于电力场景中的新类别物体的识别任务的增广数据集。2.根据权利要求1所述的基于图像生成的少样本电力场景增广方法，其特征在于，在已知类数据上训练一个以词向量为条件的生成对抗网络，包括：基于基类数据训练出一个以词向量为条件的生成对抗网络；利用映射网络M将基类词向量c和随机噪音向量z映射为潜在向量w,随后将w送入到分层的生成网络S中，以生成基类对应类别的虚假图片；所述映射网络M用于对正态分布的噪音z进行解耦以得到的隐藏特征；映射网络M是以词向量c作为类别条件；生成网络S具有逐层级的结构，能够逐层级的生成虚假图片；采用生成对抗损失函数adv1
loss
，训练基类上的生成对抗网络；训练方法包括：一方面固定鉴别部分，训练映射网络M和生成网络S，使生成的基类虚假图片和基类数据集中的图片分布一致，从而鉴别器D无法区分开这两种图片；另一方面固定生成部分，训练鉴别器D，使鉴别器尽量区分开这种图片；训练停止条件为生成网络S以及鉴别网络D的损失都在一个区间内波动，且不会有明显的持续上升或者下降的趋势。3.根据权利要求2所述的基于图像生成的少样本电力场景增广方法，其特征在于，在新类少量图片的条件下，微调所述生成对抗网络，包括：新类别少样本条件下的虚假样本生成；在给定的少量新类图片的引导下，使用生成对抗损失函数Adv2
loss
来微调生成对抗网络，从而能够生成新类别大量的图像；微调方法包括：一方面固定鉴别部分，训练映射网络M和生成网络S，使生成的新类虚假图片和新类数据集中的图片分布一致，从而鉴别器D无法区分开这两种图片；另一方面固定生成部分，训练鉴别器D，使鉴别器尽量区分开这种图片；训练停止条件为生成网络S以及鉴别网络D的损失都在一个区间内波动，且不会有明显的持续上升或者下降的趋势。4.根据权利要求3所述的基于图像生成的少样本电力场景增广方法，其特征在于，所述对抗损失函数Adv1
loss
和Adv2
loss
表达式如下：表达式如下：其中，z是从高斯分布中采样的随机噪音，c
b
和c
n
分别是基类和新类的词向量，x
b
和x
n
分
别代表基类和新类的真实样本，D和G分别代表鉴别部分和生成部分，E表示期望。5.根据权利要求3所述的基于图像生成的少样本电力场景增广方法，其特征在于，在新类少量图片的条件下，微调所述生成对抗网络，还包括：微调生成对抗网络中，还利用语义视觉对齐损失来防止条件GAN网络记住少量样本导致的模式崩溃问题；语义视觉对齐损失是指：对于同一噪音向量，新类别生成的样本和挑选出的基类生成样本的相似性分布，应当和词向量之间的相似性分布一致，表达式如下：样本的相似性分布，应当和词向量之间的相似性分布一致，表达式如下：样本的相似性分布，应当和词向量之间的相似性分布一致，表达式如下：其中P
visual
和P
semantic
分别是视觉相似性和词向量相似性的分布，z是从高斯分布中采样的随机噪音，c
i
和c
...
【专利技术属性】
技术研发人员：许晓宇，罗旺，俞弦，王锦杰，吴超，偰俊，夏源，张晓东，李啸东，
申请(专利权)人：南京南瑞信息通信科技有限公司，
类型：发明
国别省市：
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。