[发明专利]基于信息最大化生成对抗网络的人脸连续特征生成方法

权利要求书

1.一种基于信息最大化生成对抗网络的人脸连续特征生成方法，其特征在于：包括以下步骤：

S1、选择数据集；

S2、数据集预处理；

S3、搭建基于信息最大化的生成对抗网络模型：

基于信息最大化的生成对抗网络模型包括生成器G与判别器D，生成器G通过控制潜在变量c的类型以及维度，从而利用随机噪声向量z生成与真实样本X概率密度分布接近的生成样本G(z,c)，将生成样本G(z,c)与真实样本X分别作为判别器D的输入，判别器D负责对输入的生成样本G(z,c)与真实样本X进行“真”与“假”的判断，最终在基于信息最大化的生成对抗网络模型中，生成器G与判别器D进行不断的交替训练，生成器G不断提升自己的生成能力，判别器D则不断优化自己的分类能力，当判别器D无法判断某一个人脸样本是来自于生成样本还是真实样本X时，该模型训练完成。

2.根据权利要求1所述的一种基于信息最大化生成对抗网络的人脸连续特征生成方法，其特征在于：S1中，选择香港中文大学的开源人脸数据集CelebA，作为数据集。

3.根据权利要求1所述的一种基于信息最大化生成对抗网络的人脸连续特征生成方法，其特征在于：S2中预处理方法如下：对数据集中的图像进行裁剪，并进行归一化处理，将图像的像素值统一到[-1,1]之间。

4.根据权利要求1所述的一种基于信息最大化生成对抗网络的人脸连续特征生成方法，其特征在于，S3中，搭建基于信息最大化的生成对抗网络模型的方法包括以下步骤：

S31、搭建生成器模型G

将输入生成器G的随机噪声向量分为不可压缩变量z、潜在变量c，生成器G利用随机噪声向量生成与数据集中人脸的真实样本概率密度分布接近的生成样本G(z,c)；

引入了信息论，用I(c,G(c,z))表示潜在变量c与生成器G的输出G(z,c)之间的互信息，两者之间的互信息如下所示：

I(c,G(c,z))＝H(c)-H(c|G(z,c))＝H(G(z,c))-H(G(z,c)|c) (1)

由上式可得：当潜在变量c一定时，可以减少输出样本G(z,c)的不确定性，如果潜在变量c与输出样本G(z,c)不相关，那么I(c,G(c,z))＝0；为了通过控制潜在变量c获得预期的输出，将互信息项I(c,G(c,z))最大化，原始生成对抗网络的目标函数为：

引入互信息项I(c,G(c,z))之后，基于信息最大化的生成对抗网络的目标函数为：

同时在生成器G中，使用反卷积层进行上采样，并使用relu激活函数，从而使得噪声逐渐变为高分辨率的图像；

S32、搭建判别器模型D

判别器D由一个四层的卷积神经网络构成，它的目标尽可能将真实样本X判断为1，生成样本判断为0，于是，设定生成样本G(z,c)为0，真实样本X为1，然后进入判别器D中进行训练，最终得到一个性能优异的分类器；

S33、选择优化器

选择Adam作为优化器。

5.根据权利要求4所述的一种基于信息最大化生成对抗网络的人脸连续特征生成方法，其特征在于，S31中，定义不可压缩变量z的维度为128维，潜在变量c的维度为58维，潜在变量c由5个10维的离散变量以及8个连续变量构成，其中，5个10维的离散变量用于控制特征的种类，8个连续变量用于控制特征的连续变化。

6.根据权利要求4所述的一种基于信息最大化生成对抗网络的人脸连续特征生成方法，其特征在于，S33中，Adam的内部参数设定为：学习速率lr＝0.0005，β＝0.5。