[发明专利]一种多生成器卷积合成图像的对抗网络算法

权利要求书

1.一种多生成器卷积合成图像的对抗网络算法，其特征在于，所述算法包括下列步骤：

S1、构造深度卷积生成式对抗网络DCGAN模型，该DCGAN模型包含记录图像生成器和记录图像判别器，其中，记录图像生成器通过生成图像输入至记录图像判别器进行网络训练；

S2、构造多个记录图像生成器；

S3、初始化随机噪声，分别输入至每一个记录图像生成器中，生成多张图像；

S4、采用不同大小的卷积核，对所有记录图像生成器生成的图像进行卷积，获得多张特征图；

S5、将上述获得的多张特征图合成至一张，输入至记录图像判别器进行训练。

2.根据权利要求1所述的一种多生成器卷积合成图像的对抗网络算法，其特征在于，所述步骤S2中构造的记录图像生成器中所用到的卷积核个数、激活函数、卷积层数量都是相同的，并且在生成式对抗网络DCGAN模型中都是并行平等地位，所起到的作用都是相同的。

3.根据权利要求1所述的一种多生成器卷积合成图像的对抗网络算法，其特征在于，所述步骤S3具体如下：

S31、根据记录图像生成器的数量N，初始化N个互不相同随机噪声；

S32、将随机噪声输入至记录图像生成器中进行一系列的转置卷积操作，直至生成与数据集相同维度的图像；

S33、获得所有记录图像生成器生成的多张图像。

4.根据权利要求1所述的一种多生成器卷积合成图像的对抗网络算法，其特征在于，所述步骤S4具体如下：

S41、构造不同大小的卷积核；

S42、采用已构造的卷积核，分别对记录图像生成器生成的多张图像进行卷积，得到多张不同大小的特征图。

5.根据权利要求1所述的一种多生成器卷积合成图像的对抗网络算法，其特征在于，所述步骤S5具体如下：

S51、对步骤S4中获得的多张特征图的像素用0填充进行维度扩展，直至与数据集图像维度相同；

S52、将扩展后的所有特征图合成为一张图像；

S53、将合成之后的图像输入至记录图像判别器中进行训练。

6.根据权利要求1至5任一所述的一种多生成器卷积合成图像的对抗网络算法，其特征在于，

构造的记录图像生成器数量和所述DCGAN模型中卷积层的层数相同。

7.根据权利要求6所述的一种多生成器卷积合成图像的对抗网络算法，其特征在于，

所述DCGAN模型中卷积层的层数为4层，构造的记录图像生成器数量为4个。