【技术实现步骤摘要】
基于可变形卷积生成对抗网络的电子数据生成方法及系统
[0001]本申请涉及数据识别
，尤其涉及一种基于可变形卷积生成对抗网络的电子数据生成方法及系统。
技术介绍
[0002]随着深度学习的发展,生成对抗网络（GAN）已广泛应用于工业和学术研究。在医学成像中，通过GAN能够生成新电子数据（图像），GAN用于重建、分割、电子数据合成、分类、检测等任务。但GAN生成的电子数据也带来了一些问题，即GAN生成的电子数据可能出现独特的纹理，即棋盘伪影。
[0003] GAN大多由一个生成模块和一个识别模块组成，在对抗性训练中，两个模块相互竞争以完善自己。为了生成新的电子数据，GAN中的生成器通常采用编码解码过程。本质上，首先由编码器采样到特征向量，之后，解码器对特征向量进行上采样以重建电子数据。目前，常用的上采样方法是转置卷积，它可以在GAN模型中找到，然而GAN中的转置卷积层是产生棋盘伪影的来源，在GAN生成的电子数据中广泛存在棋盘伪影，而很少考虑GAN架构。对于医学诊断和医疗保健，棋盘伪影会扭曲医学电子数据中收集的信息...
【技术保护点】
【技术特征摘要】
1.一种基于可变形卷积生成对抗网络的电子数据生成方法，其特征在于，该方法包括如下步骤：构建可变形卷积生成对抗网络的网络结构；将预先获取的训练数据集输入到可变形卷积生成对抗网络中进行训练，得到训练后的可变形卷积生成对抗网络；将待处理电子数据输入到训练后的可变形卷积生成对抗网络中，获取生成电子数据；将生成电子数据输入到预先训练的卷积神经网络检测模型中，识别生成电子数据中的棋盘伪影。2.根据权利要求1所述的基于可变形卷积生成对抗网络的电子数据生成方法，其特征在于，构建可变形卷积生成对抗网络的网络结构的方法包括：依次构建编码层、转换层和解码层。3.根据权利要求2所述的基于可变形卷积生成对抗网络的电子数据生成方法，其特征在于，构建解码层的方法包括：构建两个转置卷积层和一个可变形卷积层；其中，可变形卷积层为输入特征映射上增加偏移量，以给输入特征映射带来变形。4.根据权利要求1所述的基于可变形卷积生成对抗网络的电子数据生成方法，其特征在于，得到训练后的可变形卷积生成对抗网络之后还包括：对训练后的可变形卷积生成对抗网络进行评价。5.根据权利要求4所述的基于可变形卷积生成对抗网络的电子数据生成方法，其特征在于，对训练后的可变形卷积生成对抗网络进行评价包括：对训练后的可变形卷积生成对抗网络生成的电子数据进行验证、质量评价和反取证能力评估。6.根据权利要求1所述的基于可变形卷...
【专利技术属性】
技术研发人员：丁峰，肖祧宗，沈张一，朱小刚，刘春年，罗铭，
申请(专利权)人：南昌大学，
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。