一种基于生成对抗网络的图像扩充方法及系统技术方案

本发明专利技术实施例公开一种基于生成对抗网络的图像扩充方法及系统。该方法包括输入目标图像数据集；构造包括生成器网络和判别器网络的生成对抗网络；利用训练集和随机生成的特征向量对所述生成器网络进行训练；利用训练集、生成器网络生成的图像和特征向量对判别器网络进行训练；对所述生成器网络与所述判别器网络交替进行训练，当损失函数小于阈值时获得所述生成对抗网络模型；利用所述生成对抗网络模型生成目标图像对所述目标图像数据集进行扩充。该实施方式通过生成器与判别器的逐分辨率递进式训练结构，并加入随机干扰，提高图像真实度及生成速度；通过图像数据集训练样式生成对抗网络，训练好的生成对抗网络能够产生质量高和相似度高的图像。和相似度高的图像。和相似度高的图像。

【技术实现步骤摘要】
一种基于生成对抗网络的图像扩充方法及系统


[0001]本专利技术涉及图像处理领域。更具体地，涉及一种基于生成对抗网络的图像扩充方法及系统。

技术介绍

[0002]随着深度学习技术的发展，目标识别技术也在迅速更新换代，如SSD、RCNN、faster
‑
RCNN以及YOLO系列等算法，在自动驾驶、人脸识别、安防控制和智慧医疗等领域均有了广泛且成熟的应用。
[0003]机器学习技术基于统计原理，对于数据的数量、质量及类别平衡程度有着很高的要求。如果样本(训练与测试)数据的数量不足，则会造成机器学习模型欠拟合，回归精度下降，分类结果失真；如果数据的质量较差，则可能会导致网络难以提取有效特征而导致无法收敛；而数据的类别数量不平衡则会导致模型结果产生偏差，分类结果偏向于数据集中多的一类，回归结果出现严重失真。这也限制了神经网络目标检测与跟踪技术在军事领域的进一步应用。
[0004]通常军事目标的图像由于其高度敏感性和机密性，可用于机器学习算法训练的公开数据集极少，难以获取。尤其是非合作势力的主战装备与建筑，如飞机和防御工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的图像扩充方法，其特征在于，该方法包括输入目标图像数据集；构造包括生成器网络和判别器网络的生成对抗网络；利用训练集和随机生成的特征向量对所述生成器网络进行训练；利用所述训练集、所述生成器网络生成的图像和所述特征向量对所述判别器网络进行训练；对所述生成器网络与所述判别器网络交替进行训练，当损失函数小于阈值时获得所述生成对抗网络模型；利用所述生成对抗网络模型生成目标图像对所述目标图像数据集进行扩充。2.根据权利要求1所述的图像扩充方法，其特征在于，所述生成器网络包括映射网络单元、第一综合调制单元、多个第二综合调制单元和输出卷积层；其中所述映射网络单元包括依次连接的第一归一化层和多个第一全连接层；所述第一综合调制单元包括依次连接的第一调制层、第一上采样层、第一卷积层和第二归一化层；第二综合调制单元包括依次连接的第二调制层、第二卷积层和第三归一化层。3.根据权利要求2所述的图像扩充方法，其特征在于，所述利用训练集和随机生成的特征向量对所述生成器网络进行训练包括利用所述映射网络单元将输入的数据集映射到潜在空间，得到仿射变换向量；将输入的图像的信息向量添加噪声数据后，生成随机向量；利用第一综合调制单元和多个第二综合调制单元基于所述仿射变换向量对所述随机向量进行处理，得到所述随机生成的特征向量；利用所述输出卷积层基于所述输入的图像和所述随机生成的特征向量，得到RGB图像。4.根据权利要求3所述的图像扩充方法，其特征在于，所述判别器网络包括依次连接的第三卷积层、残差块、第二全连接层和第三全连接层；其中所述残差块包括依次连接的第四卷积和下采样层、第五卷积和上采样层和第六卷积和下采样层，所述第四卷积和下采样层的输出连接所述第六卷积和下采样层的输出。5.根据权利要求4所述的图像扩充方法，其特征在于，所述利用所述训练集、所述生成器网络生成的图像和所述特征向量对所述判别器网络进行训练包括利...

【专利技术属性】
技术研发人员：尹思遥，杜惠杰，张兴，高阳，杜渐，
申请(专利权)人：北京仿真中心，
类型：发明
国别省市：