[发明专利]一种多生成器卷积合成图像的对抗网络算法

说明书

技术领域

本发明涉及深度学习神经网络技术领域，具体涉及一种多生成器卷积合成图像的对抗网络算法。

背景技术

生成式对抗网络(Generative Adversarial Network,简称GAN)是由Goodfellow在2014年提出的深度学习框架，它基于“博奕论”的思想，构造生成器(generator)和判别器(discriminator)两种模型，前者通过输入(0，1)的均匀噪声或高斯随机噪声生成图像，后者对输入的图像进行判别，确定是来自数据集的图像还是由生成器产生的图像。

在后续的发展中，通过卷积神经网络与GAN结合的模型，成为了一种广泛应用的模型。由于生成器能够学习到数据集中的特征，同时又能够区别于数据集，使得通过对网络的不断训练，能够使生成器生成新的图像。但生成器的数量只有1个，导致学习速率较慢，需要通过较多的时间才能够学习到数据集的特征，并且特征多样性不足。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，构建了一种多生成器卷积合成图像的对抗网络算法，。

本发明的目的可以通过采取如下技术方案达到：

一种多生成器卷积合成图像的对抗网络算法，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、将步骤S4中卷积之后得到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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

本发明相对于现有技术具有如下的优点及效果：

1.特征多样性：本发明根据DCGAN中深度卷积网络的训练过程，设置构造了多个生成器，由于输入至生成器中的随机噪声是互不相同的，因此不同生成器生成的图像具有不同的特征，这就促成了合成图像特征的多样性；

2.高效性：本发明所构建的一种多生成器卷积合成图像的DCGAN模型，多个生成器在训练过程是同时工作的，即能够同时生成不同特征的图像，因此提高了网络训练的速度，具有高效性。

附图说明

图1是本发明公开的一种多生成器卷积合成图像的对抗网络算法的流程步骤图；

图2是多个生成器从接收噪声至全成图像的整体流程图；

图3是构建多生成器卷积合成图像的DCGAN模型的整体图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例