[发明专利]一种基于生成对抗网络使用感知损失解决模型崩塌的方法

权利要求书

1.一种基于生成对抗网络使用感知损失解决模型崩塌的方法，其特征在于，所述基于生成对抗网络使用感知损失解决模型崩塌的方法包括以下步骤：

输入待训练的图像I；

将待训练图像I转为m×m的图像块集合，图像块用I^data表示；

随机产生满足高斯分布或均匀分布的噪声z；

将噪声z输入到生成器G中进行训练；

将生成器G输出的结果I^z和I^data一同输入到鉴别器D中；

生成器和鉴别器不断更新学习，直到达到纳什平衡，生成类似于真实图像的样本图像；

所述将随机噪声z输入到生成器G中进行训练，包括以下步骤：

对z做全连接处理；

然后reshape成512个特征映射的高维张量；

输出的特征图经过四个大小为5*5反卷积处理，随后归一化处理，再经过ReLU激活函数；

输出生成的图像；

所述将随机噪声z输入到生成器G中进行训练，具体包括：

1)对z作全连接处理，输出为64*8192；

2)然后reshape成512个特征映射的高维张量；

3)用大小为5×5，步长为2的反卷积，每个卷积层的输出归一化处理再经过ReLU激活函数，ReLU函数如下表示：

f(x)＝max(0，x)

当输入信号小于0时，输出为0，当输入信号大于0时，输出等于输入；ReLU的收敛速度大于其它激活函数的收敛速度；ReLU只需要一个阈值获得激活值；

4)经过4个反卷积操作以后，生成器输出结果I^z；

生成网络的损失函数为：

G_loss＝G_adv+G_VGG

其中G_adv表示对抗损失，G_VGG表示高维均方误差；具体公式如下：

其中，x和y表示I^z和I^data对应的像素点。

2.如权利要求1所述的基于生成对抗网络使用感知损失解决模型崩塌的方法，其特征在于，所述将生成器G输出的结果I^z和I^data一同输入到鉴别器D中，包括以下步骤：

经过四次大小为5*5的卷积核，对图像做卷积处理；随后归一化处理，再经过LeakyReLU激活函数；

将得到的结果构造一个全连接隐藏层得到一维的数组，进行非线性激活输出结果，判断图像是来自生成器I^z还是图像块I^data。

3.如权利要求2所述的基于生成对抗网络使用感知损失解决模型崩塌的方法，其特征在于，所述将生成器G输出的结果I^z和I^data一同输入到鉴别器D中，具体包括：

a)用大小为5×5，步长为2的卷积进行特征提取；

b)每次卷积操作以后，经过一个归一化处理进入LeakyReLU激活函数；卷积操作包括3个卷积；鉴别网络D总共24个epoch迭代，生成网络同样多次迭代；LeakyReLU激活函数是Relu的改进版本，引入负的非零梯度，数学表达式为：

其中，a_i是1到正无穷区间内的固定参数，x_i是输入，y_i是输出结果；

c)构造一个全连接隐藏层，将数组返回一个一维的数组，共有64*1；

d)输入最后的结果，判断图像是来自生成器I^z还是图像块I^data；

鉴别网络损失函数为：

4.一种实现权利要求1～3任意一项所述基于生成对抗网络使用感知损失解决模型崩塌的方法的信息数据处理终端。

5.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-3任意一项所述的基于生成对抗网络使用感知损失解决模型崩塌的方法。