[发明专利]一种基于生成对抗网络的海面雨天图像样本增广方法

说明书

本发明属于神经网络深度学习技术领域，具体涉及一种基于生成对抗网络的海面雨天图像样本增广方法。本发明基于生成对抗网络，采用传统的L1损失和GAN损失相结合的方法来训练网络，在训练生成器的过程中除了传统的GAN损失外还加上了生成的假的雨天图片与真实雨天图片之间的L1损失；生成器采用残差网络，判别器采用Patch‑D，通过对图像分成N*N个小块分别进行判别来计算损失，提高图像的清晰度以及细节保持能力，生成样本时仍采用深度学习框架中的训练模式，即不对批归一化层的参数进行固定，继续启用dropout层。本发明中通过利用成对的图片来训练生成器，从而由多数类样本生成其对应的少数类样本，达到增广样本的目的。

技术领域

本发明属于神经网络深度学习技术领域，具体涉及一种基于生成对抗网络的海面雨天图像样本增广方法。

背景技术

随着深度学习技术的发展，其在图像、语音、文本等领域均取得了巨大的成功，多年来各种深度神经网络层出不穷，随着计算机硬件技术的提高，神经网络的规模也越来越大，参数也越来越多。同时，对训练网络所用的样本数据的要求也越来越高，对于深度学习来说，样本数据往往是其至关重要的一环。使用深度学习训练模型实际上就是通过让神经网络对大量的已有样本进行学习，并对学习到的样本数据进行统计分析，根据分析结果来优化神经网络的参数，从而使得神经网络能够输出我们想要的结果。同人类的学习一样，要想让神经网络的学习效果足够好就需要对其提供足够数量和良好质量的样本数据。现如今，一些较大的神经网络拥有的参数量甚至达到了上亿级别，这就需要一个庞大的样本数据集来对其进行训练。

对于图像领域来说，虽然随着互联网的发展我们可以很容易的获得大量的目标图片，但是并不是只要数量足够就可以组成一个满足深度学习要求的数据集。一个合格的数据集不仅要保证数量，还要保证质量，不仅要满足样本数据的多样性要求，还要保证各个类别的样本数量均衡。而我们容易获得的照片更多的是摄影爱好者进行的拍照或者一些专业人员出于某种目的进行的拍摄，这就导致不同种类样本数量的不均衡，直接用这样的数据集进行训练很容易造成网络的过拟合，从而导致训练结果出错。

发明内容

本发明的目的在于提供通过利用成对的图片来训练生成器，从而由多数类样本生成其对应的少数类样本，实现增广样本的一种基于生成对抗网络的海面雨天图像样本增广方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：输入待增广的图像样本，设定期望增广的纹理；

步骤2：根据期望增广的纹理，获取成对的原始图片-带纹理图片数据集；原始图片-带纹理图片数据集中包括同一场景下的原始图片A和带纹理图片B；

步骤3：构建神经网络；神经网络包含生成器和判别器，损失函数采用L1损失与GAN损失相结合的方法；

步骤4：训练神经网络；

步骤4.1：设定循环次数；

步骤4.2：将原始图片-带纹理图片数据集中的原始图片A输入到神经网络的生成器，输出假的带纹理图片fake-B；将假的带纹理图片fake-B作为判别器的输入，用判别器对其分布进行判别；若假的带纹理图片fake-B与真实的带纹理图片B分布相同则输出1，否则输出0；将判别器的输出结果与期望结果利用均方差进行损失计算，得到生成器的GAN损失函数；将假的带纹理图片fake-B与真实的带纹理图片B进行L1损失计算，得到生成器的L1损失；将生成器的GAN损失与L1损失结合，作为生成器的损失值，并通过对该损失值进行反向传播来训练生成器，提升生成器的生成能力；

步骤4.3：将假的带纹理图片fake-B与真实的带纹理图片B分别作为判别器的输入；当判别器的输入为假的带纹理图片fake-B时，期望输出为N*N大小的全0特征图；当判别器的输入为真实的带纹理图片B时，期望输出为N*N大小的全1特征图；计算判别器的实际输出与期望输出之间的均方差，得到判别器的损失值；通过将判别器的损失值反向传播来训练判别器，提升判别器的判别能力；