[发明专利]一种利用DCGAN提高基于CNN图像识别性能的方法

说明书

本发明公开了一种利用DCGAN提高基于CNN图像识别性能的方法，该方法将DCGAN出色的数据生成能力与基于CNN图像识别框架进行了二度结合，并且DCGAN是在GAN的基础上经过改进后的新型对抗生成网络，所述方法将CNN应用到了原始结构中，使得GAN具有了深度卷积的特性，并在数据生成方面拥有更好的特征表示形式。本发明很好的解决了图像识别过程中训练样本数据难以收集、样本相似度过大等问题，冲破了样本数量与质量在分类模型优化问题上的限制，进一步强化分类模型，提高图像识别的准确性。

技术领域

本发明属于图像识别处理，具体涉及一种基于深度机器学习的图像识别改进，尤其涉及一种利用DCGAN提高基于CNN图像识别性能的方法。

背景技术

随着深度学习的发展，人们越来越追求图像识别的精确度。目前，很多研究都采用了卷积神经网络(CNN)作为切入点来提高图像识别的精度。CNN可以直接使用图像的原始像素作为输入，不必先提取特征，另外，CNN训练的模型对放缩、平移、旋转等畸变具有不变性，具有很强的泛化能力。其中卷积的局部感知和权值共享性可以大幅度减少神经网络的参数量，防止过拟合的同时又降低了神经网络模型的复杂度，给予了分类精准度很大的优化空间。本发明所研究的雷达剖面图主要由光谱、色块等底层语义组成。传统方法例如纹理检测、统计学方法等对于这种特殊的图像并不能发挥太多优势，原因主要有以下三点：

1、无法有效学习雷达剖面图内在的特征，包括像素点的分布和渐变等；

2、雷达剖面图包含信息量太大，传统方法处理过慢，无法解决大数据问题；

3、缺乏高效的学习策略，难以提高识别的准确性。

CNN的上层对语义更敏感，而中间层则特别敏感于底层模式，如颜色和梯度，因此使用CNN解决雷达剖面图识别问题是一个科学且可行的实践。CNN图像分类大多数都是基于有监督学习，这种学习方式在训练过程中需要大量的数据作为训练样本才能得到比较精确的分类。在雷达剖面图识别过程中，由于天气条件的限制，导致像雷雨大风等灾害天气的样本收集工作异常艰难。不仅如此，样本间过度的相似性也会影响训练效果，导致特征难以被有效学习。针对样本数量少和样本过度相似度的问题，我们采用设计深度卷积生成对抗网络(DCGAN)的方法来解决。DCGAN的实质是在GAN的基础上实现拓展，保留了出色生成数据能力的同时，也融合了CNN特征提取的优点，使它在图像分析和处理能力上得到提升。本发明tch Normalization实现局部归一化，从而解决了网络模型在训练时梯度消失和梯度弥散等问题。经检测，DCGAN在celebA、LSUN和GoogleImageNet这种现实世界的真实大规模数据集上训练，结果令人满意。本发明基于DCGAN的网络结构进行样本生成操作，并结合基于CNN的图像识别系统有效提高了识别的准确度，使得DCGAN与CNN的二次结合能更好地为科研、生产和决策服务。

发明内容

发明目的：针对上述现有技术的不足，本发明提供一种利用DCGAN提高基于CNN图像识别性能的方法，该方法将DCGAN出色的数据生成能力与基于CNN图像识别框架进行了二度结合，很好的解决了图像识别过程中训练样本数据难以收集、样本相似度过大等问题，冲破了样本数量与质量在分类模型优化问题上的限制、强化分类模型、提高图像识别的准确性。

技术方案：一种利用DCGAN提高基于CNN图像识别性能的方法，步骤如下：

(1)定义DCGAN中生成模型和判别模型的结构；

(2)建立学习率加速策略；

(3)生成样本检测；

(4)构建基于CNN的图像识别框架；

(5)性能优化。