[发明专利]一种基于Triple-GAN的分类方法

说明书

生成对抗网络(GAN)在图像生成和半监督学习中显示出极大的发展前景，已发展为三生对抗网络(Triple‑GAN)。但基于Triple‑GAN的分类方法仍存在两个需要解决的问题：基于KL散度分布构造容易产生梯度消失，出现训练不稳定情况；由于Triple‑GAN手动对样本进行标记标签，会造成手动标记工作量过大及标记不均匀等情况。本发明基于此，拟利用随机森林(RandomForests)对真实样本进行分类，将叶子节点自动标记标签，同时利用最小二乘生成对抗网络(LSGAN)的思想构造损失函数，避免梯度消失。

技术领域

本发明涉及一种图像的分类方法，具体涉及基于分布、Triple-GAN三人游戏和随机森林相结合的图像快速分类的方法，属于图像处理领域。

背景技术

图像挖掘是数据挖掘中的新兴领域。而图像分类是数据挖掘的基础，面对大量的图像数据，图像分类变得越来越重要。图像分类目前出现了很多分类技术，如决策树、最小距离法、神经网络、模糊分类、支持向量机、k-均值等。GAN模型的提出把图像分类领域提到了一个新的高度，也推动了图像挖掘技术的发展。而基于GAN模型研究，也成为了研究热点。

生成对抗网络(GAN)在图像生成和半监督学习领域同样显示出极大的发展前景，GAN已成为图像和视觉计算、语音和语言处理、信息安全、棋类比赛，尤其是人工智能领域的热点研究方向。现而今GAN已由双人游戏发展为三人游戏的三生对抗网络(Triple-GAN)，Triple-GAN主体包含：分类器(C)、生成器(G)、判别器(D)。Triple-GAN能确保分类器和生成器从博弈论的角度实现分类的最优解，并使生成器能够在特定的类中对数据进行采样。

Triple-GAN基于KL散度分布构造的目标损失函数，仍然存在当分布不交叉时，梯度消失的情况。因此，提出利用最小二乘生成对抗网络(LSGAN)对鉴别器采用最小平方损失函数。实验证明LSGAN的目标函数可以最小化分布。与常规GAN相比，LSGAN有两个优点：LSGAN能够生成比常规GAN更高质量的图像；LSGAN在学习过程中表现得更加稳定。

但Triple-GAN在应用过程中还是存在以下问题：(1)由于利用KL散度分布，对于分布不交叉的情况，容易产生梯度消失，会导致当训练没达到理想结果时候，训练就终止，从而使模型训练不稳定。(2)由于手动标记样本会造成标记标签不均匀，存在大量数据标记工作量过大的问题。所以，现有的Triple-GAN图像分类技术存在不足，有必要改进。

发明内容

针对以上问题，本文将利用随机森林(RandomForests)对Triple-GAN的分类算法进行优化，同时利用LSGAN构建基于最小化卡方分布损失函数，拟开展如下工作：

(1)对分类器进行改进，同时将随机森林融入到分类器中，构建自动标记标签的分类器；

(2)利用LSGAN损失函数的推理过程，同时结合Triple-GAN构造模型，形成既能继承LSGAN的稳定性，又能传承Triple-GAN的优点。

根据本发明提供的实施方式，提供一种基于Triple-GAN的分类方法。

一种基于Triple-GAN的分类方法，该方法包括以下步骤：

1)获取真实样本；基于Triple-GAN构建三人游戏模型，三人游戏模型由分类器(C)、生成器(G)、判别器(D)组成；将真实样本序列化后输入到分类器(C)中；判别器(D)由一个基于二叉决策树预测分析随机森林构成，其中随机森林由m棵树组成，其中：n为真实样本的个数，h为二叉决策树高度，h为大于等于3的整数；形成2^h-1*m个叶子节点，将叶子节点作为真实样本标签；

2)基于Triple-GAN构建分布的分类器(C)、生成器(G)、判别器(D)的目标函数；