[发明专利]一种基于改进的生成对抗网络的水下图像翻译方法

权利要求书

1.一种基于改进的生成对抗网络的水下图像翻译方法，其特征在于，包括以下步骤：

步骤S1：针对具体的检测任务，制作目标模型，将其放在空气中进行空气中目标数据集的采取，得到空气中数据集；

步骤S2：在已公开的各个水下数据集中制作不同水域的水下数据集；

步骤S3：根据空气中数据集以及不同水域的水下数据集构建改进的DRIT生成对抗网络；

步骤S4：训练对抗网络参数；

步骤S5：将空气目标图片与水下风格图片放进对抗网络，得到具有水下风格的目标图片；

所述S3包括以下子步骤：

子步骤S31：网络训练模型是在没有成对训练数据的情况下，学习两个域X和Y之间的映射；

子步骤S32：框架包括两个内容编码器

子步骤S33：属性编码器两个生成器G_x，G_y,域判别器D_x,D_y，一个属性判别器D^a，一个内容判别器D^c；

子步骤S34：内容编码器一将图像映射到内容空间属性编码器一将图像映射到的属性空间

子步骤S35：生成器G_x将内容空间与属性空间结合生成新的图片(G_x:{C,A}→X)；

除了属性判别器与内容判别器的损失函数外，添加两个分类损失函数来优化翻译图像域转化问题；

两个分类损失函数来优化翻译图像域转化问题包括以下步骤：

S6：在的最后一层与G_x，G_y的第一层之间共享权重；

S7：通过权重共享，强制将内容表示映射到相同的空间；

S8：将对抗性损失的内容表述为图像的自我重建损失要求将内容和风格的重组成翻译后的图像，其损失函数为

S9：当缺少成对训练样本进行监督学习时，针对对抗损失进行训练生成器，并不能保证翻译后的图像保留给定图像的内容，而只改变风格，为了缓解这个问题，对每个生成器应用循环一致性损失；

S10：共同训练风格和内容编码器和生成器对，独立训练鉴别器，最终目标函数为：

其中，L_G为最终生成损失，L_D为最终对抗损失，L_cc为循环一致性损失，为自我重建损失，表示内容对抗损失；表示属性对抗损失；表示内容分类损失；表示属性分类损失；λ_cc，是一组超参数，旨在控制各个损失在总损失中的重要程度；

S11：训练好参数后，将空气目标数据集传入内容编码网络，得到内容特征图，将水下数据传入属性编码网络，得到属性特征图，将内容特征图与属性特征图传入生成器二，就可以得到水下风格的目标图片，以此来达到拓展水下目标数据集的目的。

2.根据权利要求1所述的基于改进的生成对抗网络的水下图像翻译方法，其特征在于，本方法涉及到的多域问题体现在不同水域的数据集中，当把空气目标图片与不同水域图片放进训练好的网络中，会得到不同水下风格的目标图片，在这里，实现的方法是将不同水下风格与空气看作不同分类，将水下生物与空气目标视为不同分类。