[发明专利]一种基于WGAN模型的可变形卷积核方法

权利要求书

1.一种基于WGAN模型的可变形卷积核方法，其特征在于，所述的可变形卷积核方法包括下列步骤：

S1、构造原始生成对抗网络模型，通过生成器生成图像输入至判别器进行网络训练；

S2、构造沃瑟斯坦距离，作为对抗网络模型的评判指标；

S3、初始化随机噪声，输入生成器中；

S4、在WGAN模型中利用可变形卷积核对图像进行卷积；

S5、将可变形卷积操作得到的损失函数输入生成器进行后续训练。

2.根据权利要求1所述的一种基于WGAN模型的可变形卷积核方法，其特征在于，所述的步骤S4具体过程如下：

S41、构造多个不同数值但大小相同的卷积核；

S42、通过网络训练过程中反传的误差，对卷积核的形状进行自适应的改变。

3.根据权利要求1所述的一种基于WGAN模型的可变形卷积核方法，其特征在于，所述的步骤S5具体过程如下：

S51、将可变形卷积之后得到的图像特征图，输入判别器中进行判别；

S52、将可变形卷积操作得到的损失函数输入生成器进行后续训练；

S53、将所有损失函数的均值输入至生成器中继续进行训练。

4.根据权利要求1所述的一种基于WGAN模型的可变形卷积核方法，其特征在于，所述的损失函数的表达式为：

L(D)=-Ex~pr[D(x)]+Ex~pg[D(x)]+λEx~X▿x]]>

其中，D(x)表示判别器对图像的判别，pr表示数据集图像的分布，pg表示生成图像的分布，λ为超参数，为梯度，E为取均值的操作符号。