[发明专利]一种基于图像生成的少样本电力场景增广及分类方法

权利要求书

1.一种基于图像生成的少样本电力场景增广方法，其特征在于，包括以下步骤：

在已知类数据上训练一个以词向量为条件的生成对抗网络；

在新类少量图片的条件下，微调所述生成对抗网络，使微调后的生成对抗网络为新类别生成大量的图片，形成伪样本；

基于图像质量的评估技术，从伪样本中筛选出具有逼真性和多样性的图片，得到用于电力场景中的新类别物体的识别任务的增广数据集。

2.根据权利要求1所述的基于图像生成的少样本电力场景增广方法，其特征在于，在已知类数据上训练一个以词向量为条件的生成对抗网络，包括：

基于基类数据训练出一个以词向量为条件的生成对抗网络；利用映射网络M将基类词向量c和随机噪音向量z映射为潜在向量w,随后将w送入到分层的生成网络S中，以生成基类对应类别的虚假图片；

所述映射网络M用于对正态分布的噪音z进行解耦以得到的隐藏特征；映射网络M是以词向量c作为类别条件；生成网络S具有逐层级的结构，能够逐层级的生成虚假图片；

采用生成对抗损失函数adv1_loss，训练基类上的生成对抗网络；训练方法包括：一方面固定鉴别部分，训练映射网络M和生成网络S，使生成的基类虚假图片和基类数据集中的图片分布一致，从而鉴别器D无法区分开这两种图片；另一方面固定生成部分，训练鉴别器D，使鉴别器尽量区分开这种图片；

训练停止条件为生成网络S以及鉴别网络D的损失都在一个区间内波动，且不会有明显的持续上升或者下降的趋势。

3.根据权利要求2所述的基于图像生成的少样本电力场景增广方法，其特征在于，在新类少量图片的条件下，微调所述生成对抗网络，包括：

新类别少样本条件下的虚假样本生成；在给定的少量新类图片的引导下，使用生成对抗损失函数Adv2_loss来微调生成对抗网络，从而能够生成新类别大量的图像；微调方法包括：一方面固定鉴别部分，训练映射网络M和生成网络S，使生成的新类虚假图片和新类数据集中的图片分布一致，从而鉴别器D无法区分开这两种图片；另一方面固定生成部分，训练鉴别器D，使鉴别器尽量区分开这种图片；

训练停止条件为生成网络S以及鉴别网络D的损失都在一个区间内波动，且不会有明显的持续上升或者下降的趋势。

4.根据权利要求3所述的基于图像生成的少样本电力场景增广方法，其特征在于，所述对抗损失函数Adv1_loss和Adv2_loss表达式如下：

其中，z是从高斯分布中采样的随机噪音，c_b和c_n分别是基类和新类的词向量，x_b和x_n分别代表基类和新类的真实样本，D和G分别代表鉴别部分和生成部分，E表示期望。

5.根据权利要求3所述的基于图像生成的少样本电力场景增广方法，其特征在于，在新类少量图片的条件下，微调所述生成对抗网络，还包括：

微调生成对抗网络中，还利用语义视觉对齐损失来防止条件GAN网络记住少量样本导致的模式崩溃问题；

语义视觉对齐损失是指：对于同一噪音向量，新类别生成的样本和挑选出的基类生成样本的相似性分布，应当和词向量之间的相似性分布一致，表达式如下：

其中P_visual和P_semantic分别是视觉相似性和词向量相似性的分布，z是从高斯分布中采样的随机噪音，c_i和c_j分别是新类和基类中挑选出来的类别的词向量，sim是余弦相似度，D_KL是通过Kullback-Leibler divergence计算的两种分布的相似性，为语义视觉对齐损失。