一种多生成器卷积合成图像的对抗网络算法制造技术

本发明专利技术公开了一种多生成器卷积合成图像的对抗网络算法，属于深度学习神经网络领域，包括以下步骤：S1、构造深度卷积生成式对抗网络DCGAN模型；S2、构造多个记录图像生成器；S3、初始化随机噪声，分别输入每一个记录图像生成器中；S4、采用不同大小的卷积核，对所有生成器生成的图像进行卷积，获得多张特征图；S5、将多张图像合成至一张，输入至记录图像判别器进行训练。本方法构建的多生成器DCGAN模型，相比于传统的DCGAN模型，增加了生成器的数量。由于在每次训练过程中，多个生成器并行工作，所以能够更加快速地学习到数据集中的多种特征，从而能够高效地生成满足数据集特征的图像。

【技术实现步骤摘要】
一种多生成器卷积合成图像的对抗网络算法
本专利技术涉及深度学习神经网络
，具体涉及一种多生成器卷积合成图像的对抗网络算法。
技术介绍
生成式对抗网络(GenerativeAdversarialNetwork,简称GAN)是由Goodfellow在2014年提出的深度学习框架，它基于“博奕论”的思想，构造生成器(generator)和判别器(discriminator)两种模型，前者通过输入(0，1)的均匀噪声或高斯随机噪声生成图像，后者对输入的图像进行判别，确定是来自数据集的图像还是由生成器产生的图像。在后续的发展中，通过卷积神经网络与GAN结合的模型，成为了一种广泛应用的模型。由于生成器能够学习到数据集中的特征，同时又能够区别于数据集，使得通过对网络的不断训练，能够使生成器生成新的图像。但生成器的数量只有1个，导致学习速率较慢，需要通过较多的时间才能够学习到数据集的特征，并且特征多样性不足。
技术实现思路
本专利技术的目的是为了解决现有技术中的上述缺陷，构建了一种多生成器卷积合成图像的对抗网络算法，。本专利技术的目的可以通过采取如下技术方案达到：一种多生成器卷积合成图像的对抗网络算法，所述算法包括下列步骤：S1、构造深度卷积生成式对抗网络DCGAN模型，该DCGAN模型包含记录图像生成器和记录图像判别器，其中，记录图像生成器通过生成图像输入至记录图像判别器进行网络训练；S2、构造多个记录图像生成器；S3、初始化随机噪声，分别输入至每一个记录图像生成器中，生成多张图像；S4、采用不同大小的卷积核，对所有记录图像生成器生成的图像进行卷积，获得多张特征图；S5、将步骤S4中卷积之后得到的多张特征图合成至一张，输入至记录图像判别器进行训练。进一步地，所述步骤S2中构造的记录图像生成器中所用到的卷积核个数、激活函数、卷积层数量都是相同的，并且在生成式对抗网络DCGAN模型中都是并行平等地位，所起到的作用都是相同的。进一步地，所述步骤S3具体如下：S31、根据记录图像生成器的数量N，初始化N个互不相同随机噪声；S32、将随机噪声输入至记录图像生成器中进行一系列的转置卷积操作，直至生成与数据集相同维度的图像；S33、获得所有记录图像生成器生成的多张图像。进一步地，所述步骤S4具体如下：S41、构造不同大小的卷积核；S42、采用已构造的卷积核，分别对记录图像生成器生成的多张图像进行卷积，得到多张不同大小的特征图。进一步地，所述步骤S5具体如下：S51、对步骤S4中获得的多张特征图的像素用0填充进行维度扩展，直至与数据集图像维度相同；S52、将扩展后的所有特征图合成为一张图像；S53、将合成之后的图像输入至记录图像判别器中进行训练。进一步地，构造的记录图像生成器数量和所述DCGAN模型中卷积层的层数相同。进一步地，所述DCGAN模型中卷积层的层数为4层，构造的记录图像生成器数量为4个。本专利技术相对于现有技术具有如下的优点及效果：1.特征多样性：本专利技术根据DCGAN中深度卷积网络的训练过程，设置构造了多个生成器，由于输入至生成器中的随机噪声是互不相同的，因此不同生成器生成的图像具有不同的特征，这就促成了合成图像特征的多样性；2.高效性：本专利技术所构建的一种多生成器卷积合成图像的DCGAN模型，多个生成器在训练过程是同时工作的，即能够同时生成不同特征的图像，因此提高了网络训练的速度，具有高效性。附图说明图1是本专利技术公开的一种多生成器卷积合成图像的对抗网络算法的流程步骤图；图2是多个生成器从接收噪声至全成图像的整体流程图；图3是构建多生成器卷积合成图像的DCGAN模型的整体图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例本实施例公开了一种多生成器卷积合成图像的对抗网络算法，如附图1所示，该算法具体包括下列步骤：步骤S1、构造深度卷积生成式对抗网络DCGAN模型，该DCGAN模型包含记录图像生成器和记录图像判别器，记录图像生成器通过生成图像输入至记录图像判别器进行网络训练；该DCGAN模型包含记录图像生成器和记录图像判别器，采用交叉熵函数作为双方的损失函数。步骤S2、构造多个记录图像生成器；构造多个记录图像生成器，在处理图像的过程中，所有记录图像生成器所用到的卷积核个数、激活函数、卷积层数量都是相同的。所有记录图像生成器在生成式对抗网络DCGAN模型中都是平等地位，所起到的作用都是相同的。在生成式对抗网络DCGAN模型中，记录图像生成器中的卷积层一般为4层，所以记录图像生成器的数量设置为4个。步骤S3、初始化随机噪声，分别输入至每一个记录图像生成器中，生成多张图像。具体过程如下：S31、根据记录图像生成器的数量N，初始化N个随机噪声，这N个随机噪声互不相同；S32、将随机噪声输入至记录图像生成器中进行一系列的转置卷积操作，直至生成与数据集相同维度的图像；S33、获得所有生成器生成的多张图像。在上文已经提到，生成器的数量为4，因此随机噪声的个数也为4。需要注意的是，初始化的随机噪声是互不相同的，这将会使得记录图像生成器根据随机噪声所构造出来的图像特征也是互不相同的。步骤S4、采用不同大小的卷积核，对所有记录图像生成器生成的图像进行卷积，获得多张特征图。前文提到，记录图像生成器的卷积层数量为4，具体过程如下：S41、构造4个不同大小的卷积核，卷积核的大小与记录图像生成器对图像进行卷积过程中使用的卷积核大小一致；S42、采用已构造的4个卷积核，分别置于4个记录图像生成器生成图像之后，对图像进行卷积，从而得到4张不同大小的特征图。步骤S5、将S4中卷积之后得到的多张特征图合成至一张，输入至判别器进行训练。具体过程如下：S51、对S4所得到的4张特征图，用0填充像素进行维度扩展，直至与数据集图像维度相同；S52、将扩展后的4张特征图合成为一张图像；S53、将合成之后的图像输入至判别器中进行训练。综上所述，本实施例公开了一种多生成器卷积合成图像的对抗网络算法，该生成式对抗网络DCGAN模型在构建的过程中，打破了传统模型中只有1个生成器的规则，创新性地采用多个生成器，接收多个随机噪声进行网络训练，从而能够学习到数据集图像中的多种特征，丰富了生成图像特征的多样性。另外，在网络训练的过程中，多个生成器并行工作，每次训练结束能够同时生成多张图像，使得整个网络的训练速度得到了较大的提高，具有高效性。上述实施例为本专利技术较佳的实施方式，但本专利技术的实施方式并不受上述实施例的限制，其他的任何未背离本专利技术的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
一种多生成器卷积合成图像的对抗网络算法，其特征在于，所述算法包括下列步骤：S1、构造深度卷积生成式对抗网络DCGAN模型，该DCGAN模型包含记录图像生成器和记录图像判别器，其中，记录图像生成器通过生成图像输入至记录图像判别器进行网络训练；S2、构造多个记录图像生成器；S3、初始化随机噪声，分别输入至每一个记录图像生成器中，生成多张图像；S4、采用不同大小的卷积核，对所有记录图像生成器生成的图像进行卷积，获得多张特征图；S5、将上述获得的多张特征图合成至一张，输入至记录图像判别器进行训练。

【技术特征摘要】
1.一种多生成器卷积合成图像的对抗网络算法，其特征在于，所述算法包括下列步骤：S1、构造深度卷积生成式对抗网络DCGAN模型，该DCGAN模型包含记录图像生成器和记录图像判别器，其中，记录图像生成器通过生成图像输入至记录图像判别器进行网络训练；S2、构造多个记录图像生成器；S3、初始化随机噪声，分别输入至每一个记录图像生成器中，生成多张图像；S4、采用不同大小的卷积核，对所有记录图像生成器生成的图像进行卷积，获得多张特征图；S5、将上述获得的多张特征图合成至一张，输入至记录图像判别器进行训练。2.根据权利要求1所述的一种多生成器卷积合成图像的对抗网络算法，其特征在于，所述步骤S2中构造的记录图像生成器中所用到的卷积核个数、激活函数、卷积层数量都是相同的，并且在生成式对抗网络DCGAN模型中都是并行平等地位，所起到的作用都是相同的。3.根据权利要求1所述的一种多生成器卷积合成图像的对抗网络算法，其特征在于，所述步骤S3具体如下：S31、根据记录图像生成器的数量N，初始化N个互不相同随机噪声；S32、将随机噪声输入至记...

【专利技术属性】
技术研发人员：周智恒，李立军，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44