[发明专利]无监督逐层生成对抗特征表示学习方法

权利要求书

1.无监督逐层生成对抗特征表示学习方法，其特征在于，包括如下步骤：

步骤1、构建SGANs网络架构：通过2个及以上的生成式对抗网络组成堆积网络，其中第一个生成式对抗网络以多维的随机噪声为输入，其余生成式对抗网络以随机噪声和前一个分支的隐含特征为输入；

步骤2、进行网络优化：通过各个生成网络生成对应大小的图像，根据各判别网络的交叉熵，优化各个判别网络，根据判别网络中间层特征的期望值和生成图像之间的相似统计特征，优化整个生成网络；

步骤3、进行特征表示：利用优化的SGANs，提取抽象语义特征表示向量，结合散列表示方法，确定图像的散列特征表示；

步骤2中，对各个判别网络分别进行优化，优化目标函数为：

式中，表示各判别网络的优化目标，通过最大化进行判别网络优化，x_i表示真实图像，表示真实图像分布，表示生成图像，表示生成图像的模型分布，E表示期望，D表示是真实图像的概率。

2.根据权利要求1所述的无监督逐层生成对抗特征表示学习方法，其特征在于，步骤2中，对各个生成网络进行期望值匹配优化和结构一致性优化后，优化整体生成网络，具体方法为：

对各生成网络进行期望值匹配优化，优化目标函数为：

式中，表示各生成网络的期望值匹配优化目标，f_i(x)是第i个判别网络中间层的激活函数，E表示期望函数，x_i表示真实图像，表示真实图像分布，表示生成图像，表示生成图像的模型分布；

对各生成网络进行结构一致性优化，优化目标函数为：

式中，表示各生成网络的结构一致性优化目标，λ₁、λ₂为加权系数，μ＝∑_kx_k/N表示生成图像的像素点的均值，∑＝∑_k(x_k-μ)(x_k-μ)^T/N表示生成图像的像素点的方差，x_k＝(R,G,B)^T表示生成图像的像素点，N为生成图像的像素点数；

对整体生成网络进行优化，优化目标函数为：

式中，L_G为整个生成网络的优化目标，通过最大化L_G进行整个生成网络的优化，表示第i个生成网络的优化目标，n表示生成式对抗网络的个数。

3.根据权利要求2所述的无监督逐层生成对抗特征表示学习方法，其特征在于，λ₁、λ₂分别为1和4。

4.根据权利要求1所述的无监督逐层生成对抗特征表示学习方法，其特征在于，步骤3中，采用的散列表示方法包括局部敏感散列方法、谱散列方法、迭代量化散列方法和核散列方法。