[发明专利]一种基于原始生成对抗网络模型的特征重标定卷积方法

说明书

本发明公开了一种基于原始生成对抗网络模型的特征重标定卷积方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造神经网络充当生成器与判别器的功能；S3、初始化随机噪声，输入生成器中；S4、在神经网络中利用特征重标定卷积对图像进行卷积操作；S5、根据每次训练之后损失函数的变化情况，动态更新每一层卷积的权值进行后续训练。本方法构建的基于原始生成对抗网络模型的特征重标定卷积方法，改变了判别器、生成器接收图片后的卷积方式，通过设定权重，让判别器、生成器能够辨别图像特征的重要程度，从而能够提高整个网络训练模型的效率。

技术领域

本发明涉及深度学习神经网络技术领域，具体涉及一种基于原始生成对抗网络模型的特征重标定卷积方法。

背景技术

生成式对抗网络(Generative Adversarial Network,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。

在传统的生成对抗网络模型中，生成器、判别器通过多层卷积得到图像的多个特征，但多个特征之间并没有重要程度之分，基于上述现有技术中缺陷，目前亟待提出一种特征重标定卷积方法，为多个特征设定对应的权重，让网络在训练的过程中学习多个特征的重要程度，即更新权重，从而让后续的训练更有针对性，提高了整个网络的训练效率。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于原始生成对抗网络模型的特征重标定卷积方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于原始生成对抗网络模型的特征重标定卷积方法，所述的特征重标定卷积方法包括下列步骤：

S1、构造原始生成对抗网络模型，通过生成器生成图像输入至判别器进行网络训练；

S2、构造神经网络充当生成器与判别器的功能；

S3、初始化随机噪声，输入生成器中；

S4、在神经网络中利用特征重标定卷积对图像进行卷积操作；

S5、根据每次训练之后损失函数的变化情况，动态更新每一层卷积的权值进行后续训练。

进一步地，所述的步骤S4具体过程如下：

S41、为不同的卷积层设定对应的权值；

S42、将权值与卷积后得到的特征相乘，进行后续的训练。

进一步地，所述的步骤S5具体过程如下：

S51、将特征重标定卷积之后得到的图像特征图，输入判别器中进行判别；

S52、根据每次训练之后损失函数的变化情况，动态更新每一层卷积的权值进行后续训练。

进一步地，所述的损失函数的表达式为：