[发明专利]一种基于双重生成对抗网络的主动学习方法

权利要求书

1.一种基于双重生成对抗网络的主动学习方法，其特征在于，包括如下步骤：

步骤1：利用标记池图像和未标记池图像对模型进行训练，模型训练包括表征学习和生成对抗两个部分；

步骤2：利用收敛后的模型，对待选池中的图像进行采样，之后对采样后的图像进行人工注释和图像生成；

步骤3：把采样后的图像从待选池转移到标记池，并把生成的图像加入到待选池，根据更新后的待选池和标记池对采样模型进行训练，最后根据更新后的标记池对任务模型进行训练；

所述步骤1包括如下步骤：

步骤1.1：利用标记池图像和未标记池图像进行表征学习，对生成器G的前半部分G₁和判别器D₁进行训练；G₁的目的是把标记池中的图像x_L和未标记池中的图像x_U映射到同一个特征空间，并提取图像的特征矩阵，之后把提取到的特征矩阵输入到D₁，企图让D₁预测所有的特征矩阵都是来自于标记池；而D₁的目的是区分输入的特征矩阵是否来自x_L，并输出特征矩阵来自x_L的概率；G₁与D₁对抗训练，目标函数为：

其中x_L和x_U分别表示标记图像和未标记图像；此阶段只对G₁和D₁的参数进行更新；

步骤1.2：利用标记池图像和未标记池图像进行生成对抗，对生成器G的后半部分G₂和判别器D₂进行训练，其中G的目标是生成接近真实的图像，企图让D₂预测所有的输入图像都是真实图像；D₂的目标是区分真实图像和生成图像；具体的，生成对抗训练过程如下：

步骤1.2.1：G以真实样本作为输入，输出生成的重构样本；为保证生成图像与原图像的差异性，在G₂头部引入大小为1×1的卷积核；其中卷积核的权重为[0.95,1.05]之间的随机值，且不参与参数更新过程，以保证生成图像与原图像的特征不完全相同；

步骤1.2.2：D₂以真实样本或生成样本作为输入，输出输入样本为真实样本的概率；设计D₂的目的是指导G生成接近真实的图像，即：D₂以真实图像或生成图像作为输入，之后输出真实图像的概率，用以指导G的训练进程；在原始目标函数中引入Wasserstein距离，整体目标函数为：

其中x_r表示从所有样本池中取样所得的真实图像，G(x_r)即x_g，f(x)是判别器函数，此函数需要满足Lipschitz约束；利用矩阵谱范数，使D₂在全局范围内满足Lipschitz约束；其中谱范数的物理意义定义为：

其中σ(W)表示权重矩阵的谱范数，x表示输入向量，δ表示x的改变量；在生成对抗阶段，固定G₁的参数，只对G₂与D₂的参数进行更新；

所述步骤2包括如下步骤：

步骤2.1：利用收敛后的G₁和D₁的组合在X_C中采样得到信息量最丰富的样本集x_s，对x_s中无标签图像进行人工注释；所述人工注释即为x_s人为添加类别标签；

步骤2.2：利用收敛后的G和采样得到的x_s，对x_s进行重构，得到生成的图像x_g，并赋予生成图像x_g和x_s相同的标签；

所述步骤3包括如下步骤：

步骤3.1：把采样得到的图像x_s从待选池转移到标记池，并把生成的图像x_g加入到待选池，根据更新后的待选池和标记池对采样模型D₁进行更新训练，使D₁能够监控标记池和待选池的实时变化；

步骤3.2：根据更新后的标记池对任务模型进行训练；

步骤3.3：重复步骤2和步骤3，直到任务模型的性能符合预期标准。