[发明专利]一种基于生成式对抗网络的图像单分类方法

说明书

本发明涉及一种基于生成式对抗网络的图像单分类方法，包括：采用密集连接块结构构建生成式对抗网络中的生成器；构建生成式对抗网络中的判别器；输入正样本训练数据，并采用梯度惩罚算法对生成式对抗网络进行训练；根据训练过程中模型在验证集上的分类效果，调整网络参数，使用早停策略Early Stopping找到模型的分类最优迭代次数；模型训练完成后，利用生成式对抗网络中的判别器，对测试集数据进行测试，并通过分类召回率CRI判断模型的分类效果。本发明能够自动生成负样本集，解决现有单分类方法中人工构建负样本数据集容易造成分类器过拟合的问题。

技术领域

本发明涉及图像分类方法技术领域，尤其涉及一种基于生成式对抗网络的图像单分类方法。

背景技术

图像分类是计算机视觉领域最基本的研究课题之一，随着深度学习的发展，其中的监督学习方法使得已知图像类别的分类任务更加容易、高效、准确。在此过程中，有充足的训练数据驱动端到端的学习过程并由非线性映射使得图像的语义可以被清晰地表征出来。然而，这种理想的分类情况需要两个前提：一是需要充足的训练数据，二是需要训练数据相应的标签，因此，分类的结果会被限制在这些已知类别内。

单分类问题则将待分类的样本类别从已知类扩大到未知类，其目的是从所有待分类样本中找到某一种特定类别的样本(即正样本)，而不考虑其他样本的类别(即负样本)。当前单分类器可以按照训练数据的类型被分为三类：一是仅适用正样本训练，其中的SVDD(Support Vector Domain Description)一直是单分类算法中的主流算法，然而当样本数不充足时很难刻画出正样本集在高维空间中的分布，分类器容易产生过拟合的现象；二是使用正样本和未标记样本共同训练，为未标记数据和正样本数据找到一个共同的分布，以此将未标记数据转化为正样本数据，常见方法有利用期望最大值(ExpectationMaximization，EM)算法，这类方法的问题在于需要构建高质量的假设分布，而这往往是十分困难的；三是使用正样本和一些人工生成的负样本共同训练，主要利用构建负样本集的方法，将单分类问题转化为二分类问题，然后训练出一个二分类器从而实现单分类，如OSVM(One-class Support Vector Machine)等。然而，在缺少测试集先验知识的情况下，很难构建出合适的负样本集。

除此之外，当前单分类问题的评估指标只关注正样本的分类情况，而没有考虑负样本。

发明内容

本发明的目的在于，提供一种能够自动生成负样本集的单分类方法，旨在解决现有单分类方法中人工构建负样本数据集容易造成分类器过拟合的问题。本发明的技术方案如下：

一种基于生成式对抗网络的图像单分类方法，包括如下步骤：

(1)采用密集连接块结构构建生成式对抗网络中的生成器：生成器的输入为一个一维的随机变量z，其分布服从正态分布，将z转化为服从训练正样本分布的合成负样本图像；

(2)构建生成式对抗网络中的判别器：同样采用密集连接块结构，将判别器的最后一层调整为“softmax”层，采用均方误差函数作为损失函数，使判别器明确输出输入样本为正、负样本的概率，使之直接输出对输入图像的单分类结果，构建出适合于单分类的判别器；

(3)输入正样本训练数据，并采用梯度惩罚算法对生成式对抗网络进行训练；

(4)根据训练过程中模型在验证集上的分类效果，调整网络参数，使用早停策略Early Stopping找到模型的分类最优迭代次数；

(5)模型训练完成后，利用生成式对抗网络中的判别器，对测试集数据进行测试，并通过分类召回率CRI判断模型的分类效果。图像单分类中，对于第i个输入，其单分类结果C_i表示为：

C_i∈{TP,TN,FP,FN},i∈I