[发明专利]一种基于对抗神经网络生成样本数据的方法以及装置

权利要求书

1.一种基于对抗神经网络生成样本数据的方法，其特征在于，包括：

获取随机噪声，并控制对抗神经网络的生成器根据所述随机噪声生成虚假样本数据；

获取训练样本数据，其中，所述训练样本数据为真实采集图片；

将所述虚假样本数据和所述训练样本数据输入所述对抗神经网络的分类器，以使所述分类器将所述虚假样本数据和所述训练样本数据划分为真实数据集和虚假数据集；

获取所述分类器的分类指标；

在所述分类指标满足预设分类标准的情况下，将所述虚假样本数据作为目标样本数据。

2.根据权利要求1所述的方法，其特征在于，所述将所述虚假样本数据作为目标样本数据，包括：

构建与所述生成器和所述分类器相关的估值函数；

在所述估值函数的数值满足预设估值条件的情况下，将所述虚假样本数据作为所述目标样本数据。

3.根据权利要求2所述的方法，其特征在于，在所述构建与所述生成器和所述分类器相关的估值函数的步骤之后，所述方法还包括：

根据所述估值函数获取所述分类器的积分函数；

计算所述积分函数的极值点；

根据所述极值点，获取所述分类器的最优解。

4.根据权利要求3所述的方法，其特征在于，所述根据所述极值点，获取所述分类器的最优解，包括：

对所述积分函数求导数，获得求导结果；

根据所述求导结果，获取所述分类器的最优解。

5.根据权利要求3所述的方法，其特征在于，在所述根据所述极值点，获取所述分类器的最优解的步骤之后，所述方法还包括：

根据所述分类器的最优解，获取所述生成器的最优解。

6.根据权利要求5所述的方法，其特征在于，所述根据所述分类器的最优解，获取所述生成器的最优解，包括：

构建两个大于0的相对熵散度；

根据所述两个大于0的相对熵散度，获取JS散度；

根据所述JS散度，获取所述生成器的最优解。

7.根据权利要求1所述的方法，其特征在于，所述分类指标包括所述生成器的收敛值，所述在所述分类指标满足预设分类标准的情况下，将所述虚假样本数据作为目标样本数据，包括：

在所述生成器的收敛值满足预设收敛条件的情况下，将所述虚假样本数据作为所述目标样本数据。

8.一种基于对抗神经网络生成样本数据的装置，其特征在于，包括：

第一获取模块，用于获取随机噪声，并控制对抗神经网络的生成器根据所述随机噪声生成虚假样本数据；

第二获取模块，用于获取训练样本数据，其中，所述训练样本数据为真实采集图片；

输入模块，用于将所述虚假样本数据和所述训练样本数据输入所述对抗神经网络的分类器，以使所述分类器将所述虚假样本数据和所述训练样本数据划分为真实数据集和虚假数据集；

第三获取模块，用于获取所述分类器的分类指标；

执行模块，用于在所述分类指标满足预设分类标准的情况下，将所述虚假样本数据作为目标样本数据。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的方法。

10.一种存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述的方法。