[发明专利]一种基于生成对抗网络的知识蒸馏数据增强方法与系统

权利要求书

1.一种基于生成对抗网络的知识蒸馏数据增强方法，其特征在于：包括以下步骤：

S1：搭建一种基于生成对抗网络的知识蒸馏数据增强方法的数据增强系统，包括输入模块、增强图像模块、网络训练模块和知识蒸馏模块；输入模块的输出端分别连接增强图像模块的输入端和网络训练模块的输入端，增强图像模块的输出端和网络训练模块的输出端分别连接知识蒸馏模块的输入端；

S2：向系统输入待增强数据集并确认待增强图像的格式；

S3：选取固定尺寸的掩模与待增强图像相乘运算，进行区域丢弃得到补丁图像；

S4：生成对抗网络对丢弃区域填补补丁，根据补丁图像的像素分布，生成一块填补区域补全补丁图像，进行再生成得到增强后图像；

S5：通过卷积神经网络对待增强数据集进行五折交叉检验训练得到神经网络分类器模型；

S6：神经网络分类器模型对增强后图像进行计算得到预测值S；

S7：进行知识蒸馏，将原始图像标签ground_truth与预测值S加权相加混和得到增强图像标签；

S8：系统输出图像形式的包括增强后图像和增强图像标签的最终结果。

2.根据权利要求1所述的一种基于生成对抗网络的知识蒸馏数据增强方法，其特征在于：所述的步骤S2中，待增强数据集中的待增强图像为RGB三通道图；若待增强数据集中的图像为单色图、ARGB四通道图或BGR三通道图，则系统读入待增强图像后进行通道转化变为RGB三通道图。

3.根据权利要求1所述的一种基于生成对抗网络的知识蒸馏数据增强方法，其特征在于：所述的步骤S3中，具体步骤为：

S31：在待增强图像的宽的取值范围内和高的取值范围内生成一块由像素值0组成的掩模，掩模的大小为待增强图像的大小的

S32：将图像与掩模进行乘法运算。

4.根据权利要求1所述的一种基于生成对抗网络的知识蒸馏数据增强方法，其特征在于：所述的步骤S4中，具体步骤为：

S41：通过生成对抗网络生成判别器；判别器包括3个卷积层和1个全连接层；

S42：通过生成对抗网络生成生成器；生成器包括编码器和解码器，编码器包括4个卷积层，解码器包括2个上采样层和3个卷积层；

S43：冻结判别器，训练生成器；

S44：当生成器的损失达到目标时，将生成器生成的填补区域输入到判别器中，解冻并训练判别器；

S45：得到与补丁图像像素分布一致的填补区域并对补丁图像进行填补，获得增强后图像。

5.根据权利要求1所述的一种基于生成对抗网络的知识蒸馏数据增强方法，其特征在于：所述的步骤S5中，具体步骤为：

S51：将待增强数据集分为训练集和验证集分别进行训练；

S52：设最小学习率为0，最大学习率为0.01，当前周期为T_cur，最大周期T_i的初始值为10，每当T_cur＝T_i时，将T_i扩大两倍；则在训练过程中根据式(1)计算学习率调整策略：

6.根据权利要求5所述的一种基于生成对抗网络的知识蒸馏数据增强方法，其特征在于：所述的步骤S6中，具体步骤为：设神经网络分类器模型共有j个输出，则第i个待增强图像的预测值S_i为：

7.根据权利要求6所述的一种基于生成对抗网络的知识蒸馏数据增强方法，其特征在于：所述的步骤S7中，具体步骤为：设第i个增强后图像的标签为label_i，第i个原始标签值为ground_truth_i，则通过式(3)得到增强图像标签为：

label_i＝0.7×ground_truth_i+0.3×S_i (3)。