[发明专利]基于深度学习GAN网络童装服装的风格转移方法及设备

权利要求书

1.一种基于深度学习GAN网络童装服装的风格转移方法，其特征在于：该风格转移方法需提供一个CycleGAN网络，CycleGAN网络包括第一GAN网络和第二GAN网络，所述第一GAN网络包括第一生成器和第一判别器，所述第二GAN网络包括第二生成器和第二判别器，所述第一生成器包括第一编码器、第一转换器及第一解码器，所述第二生成器包括第二编码器、第二转换器及第二解码器；所述风格转移方法包括如下步骤：

步骤S1、选取童装款式图像A作为第一判别器的输入，通过第一判别器将该童装款式图像A与真实的童装款式图像A’进行对比，判断该童装款式图像A是否为真，若是，则进入步骤S2；若否，则结束流程；

步骤S2、将该童装款式图像A输入到第一生成器中，通过第一编码器对童装款式图像A进行编码，利用卷积神经网络从中提取出具有原格式的特征向量a1，并将该特征向量a1压缩成复数个设定格式的特征向量a2；

步骤S3、将不同的特征向量a2进行组合，采用5层DenseNet模块，并通过第一转换器将童装款式图像A在DA域中的特征向量a2转换为DB域中的特征向量a2；

步骤S4、利用反卷积神经网络，并通过第一解码器将DB域中设定格式的特征向量a2还原成原格式，生成童装款式图像B；

步骤S5、将童装款式图像B作为第二判别器的输入，通过第二判别器将生成的童装款式图像B与真实的童装款式图像B’进行对比，判断该童装款式图像B是否为真，若是，则进入步骤S6；若否，则进入步骤S2；

步骤S6、将该童装款式图像B输入到第二生成器中，通过第二编码器对童装款式图像B进行编码，利用卷积神经网络从中提取出具有原格式的特征向量b1，并将该特征向量b1压缩成复数个设定格式的特征向量b2；

步骤S7、将不同的特征向量b2进行组合，采用5层DenseNet模块，并通过第二转换器将童装款式图像B在DB域中的特征向量b2转换为DA域中的特征向量b2；

步骤S8、利用反卷积神经网络，并通过第二解码器将DA域中设定格式的特征向量a2还原成原格式，生成童装款式图像A。

2.如权利要求1所述的一种基于深度学习GAN网络童装服装的风格转移方法，其特征在于：所述步骤S1之前还包括图像预处理步骤：采用Hadoop和Mahout的大数据管理分析系统，从各类大量的童装纸样图像中提取风格特征和部件特征，根据风格特征和部件特征建立相应的风格库和部件库，将所有童装纸样图像统一处理为256*256的原格式，并采用Hive数据仓库工具将采集到的所有童装纸样图像存储于对应种类的风格库和部件库中。

3.如权利要求1所述的一种基于深度学习GAN网络童装服装的风格转移方法，其特征在于：所述步骤S2和步骤S5中：利用卷积神经网络从中提取出具有原格式的特征向量，并将该特征向量压缩成复数个设定格式的特征向量，具体为：

所述第一编码器和第二编码器均采用5个连续的卷积核大小为3、步长为2、填充大小为1的卷积层，每个卷积层之后还设有1个批处理归一化层；所述第一生成器输入的童装款式图像A依次通过5个卷积层，对童装款式图像A进行5次连续的卷积运算，每次卷积运算之后进行批处理归一化，该批处理归一化的计算公式为：

其中，训练过程采用一批随机梯度下降，于是E[x^(k)]代表一批训练数据时各神经元输入值的平均值；代表一批训练数据时各神经元输入值的标准差，x^(k)代表k神经元的输入值，代表k神经元输入值的估计值。

4.如权利要求1所述的一种基于深度学习GAN网络童装服装的风格转移方法，其特征在于：所述步骤S4和步骤S8中：

所述第一解码器和第二解码器均采用具有ReLu操作的5个反卷积层，每两次反卷积运算后向上采样特征图；其中，ReLu操作的计算公式为：