[发明专利]训练非对称生成对抗网络产生图像的方法及电子装置

说明书

本发明提供一种训练非对称生成对抗网络产生图像的方法及使用此方法的电子装置。所述方法包括：输入属于第一类别的第一真实图像、属于第二类别的第二真实图像以及属于第三类别的第三真实图像至非对称生成对抗网络以训练非对称生成对抗网络，其中非对称生成对抗网络包括第一生成器、第二生成器、第一鉴别器以及第二鉴别器；以及输入属于第二类别的第四真实图像至训练出的非对称生成对抗网络中的第一生成器以产生瑕疵图像。

技术领域

本发明涉及一种生成对抗网络(generative adversarial network,GAN)，尤其涉及一种训练非对称GAN产生图像的方法以及使用此方法的电子装置。

背景技术

近年来，训练神经网络(neural network)模型进行图像识别在计算机视觉领域受到大量的关注。例如，可训练瑕疵分类模型对元件的图像进行瑕疵检测来检测多个元件中具有瑕疵的元件。神经网络模型的效能取决于训练数据的质量、多样性及数量。然而，真实世界中异常数据(例如，瑕疵样本或负样本)通常难以预先收集。由于异常数据的稀缺性，将降低训练出的模型在应用面上的识别效能。因此为了取得多样性的训练数据集，往往需要花费时间及人力收集更多稀缺的异常数据。如此，将耗费大量的时间及人力成本。

GAN即是通过真实数据及生成器所产生的伪数据之间的差异来训练生成器，以使得训练出的生成器可根据真实数据产生大量的伪数据来补足神经网络模型所缺少的异常数据。一般来说，GAN为包括生成器(generator)与鉴别器(discriminator)的机器学习模型。

然而，在制造初期时，通常缺少新元件的实际异常元件。旧有的GAN无法在训练数据集中缺少新元件的异常数据时训练出能产生伪异常数据的生成器。因此，对于本领域技术人员来说，存在着改良产生伪数据的方法的需求。

发明内容

本发明提供一种训练非对称生成对抗网络产生图像的方法及使用此方法的电子装置，能够提升非对称GAN中生成器的图像转换的效能。

本发明提出一种训练非对称生成对抗网络产生图像的方法，适用于包括处理器的电子装置。所述方法包括：输入属于第一类别的第一真实图像、属于第二类别的第二真实图像以及属于第三类别的第三真实图像至非对称生成对抗网络以训练所述非对称生成对抗网络，其中所述非对称生成对抗网络包括第一生成器、第二生成器、第一鉴别器以及第二鉴别器；以及输入属于所述第二类别的第四真实图像至训练出的所述非对称生成对抗网络中的所述第一生成器以产生瑕疵图像。所述第一生成器接收所述第二真实图像并据以产生第二生成图像，并且所述第二生成器接收所述第二生成图像并据以产生第二重建图像。并且，所述第一生成器依据所述第二真实图像及所述第二重建图像执行运算以产生第二数值，并依据所述第二数值更新所述第一生成器的参数。其中所述第一真实图像及所述第三真实图像不具有瑕疵特征，所述第二真实图像及所述第四真实图像具有瑕疵特征。其中所述瑕疵图像属于第四类别，且所述第四类别不具有训练样本。

在本发明的一实施例中，所述第一生成器接收所述第一真实图像并据以产生第一生成图像，所述第二生成器接收所述第一生成图像并据以产生第一重建图像。并且所述第一生成器依据所述第一真实图像及所述第一重建图像执行运算以产生第一数值，并依据所述第一数值更新所述第一生成器的参数。

在本发明的一实施例中，所述第一鉴别器在所述第一生成图像与属于第三类别的第三真实图像之间进行区分来产生第一鉴别值。并且，所述第一生成器依据所述第一鉴别值更新所述第一生成器的参数。

在本发明的一实施例中，所述第一鉴别器表征为多个第三神经网络权重，并且所述第一鉴别器依据所述第一鉴别值更新所述第一鉴别器的参数。

在本发明的一实施例中，所述第一生成器将所述第一真实图像及所述第一重建图像相减以产生所述第一数值，将所述第二真实图像及所述第二重建图像相减以产生所述第二数值。