[发明专利]一种利用生成对抗网络生成堆积物训练样本的方法

说明书

本发明公开了一种利用生成对抗网络生成堆积物训练样本的方法，包括以下步骤：创造堆积物和点的一一对应训练集；利用判别器和生成器训练GAN模型；随机生成器生成平面的点的随机分布集合；利用生成的随机的点生成更多的样本；利用生成的样本对GAN模型进行优化。本发明方法可以得到更加鲁棒的模型，利用该模型可以增加稀有样本的数量以及质量，减少了数据采集的成本，也进一步使交通路政的检测模型更加准确鲁棒，更好地服务于交通路政的检测。

技术领域

本发明属于根据现有的路政执法与养护的训练样本(比如白色垃圾、堆积物)随机生成更多的训练数据的计算机图像处理技术领域，具体涉及一种利用生成对抗网络生成堆积物训练样本的方法。

背景技术

首个神经网络模型在1960年前后就被提出，期间经过众多学者的不断努力，神经网络也不断被优化，但由于缺乏大量的数据以及计算机的计算能力限制，神经网络算法一直没有发挥出其应有的潜力。直至2006年深度学习及其理论的提出，结合互联网的海量数据以及高效的计算能力，深度学习获得了极大的重视与发展。

在目前深度学习的研究和应用快速发展的热潮下，生成对抗网络(GenerativeAdversarial Nets，GAN)的提出更是满足了许多领域的研究和应用需求，为深度学习注入了新的发展活力。现在，GAN已经成为深度学习领域的一个重点研究方向，以至于著名学者Yann LeCun将其称为“过去十年里机器学习领域中最让人兴奋的想法”。目前，GAN在图像和视觉领域研究和应用最为广泛，已经可以精准的生成手写体数字、人脸等目标对象，还可以构建各种逼真的生活场景，从低分辨率的图像生成高分辨率的图像，把分割的图像复原，给黑白图像上色，以目标轮廓为基础恢复为原物体图像等。除此之外，GAN已经开始逐渐向语音和语言处理、电脑病毒监测、棋类比赛程序等研究中扩展。

生成对抗网络对于生成式模型的发展具有重大的意义，作为一种生成方法，它能够有效地解决建立自然性解释数据的生成难题，特别是生成高维的数据，GAN所使用的神经网络结构对于生成的数据维度没有限制，这极大的丰富了生成样本的多样性。生成对抗网络所采用的神经网络结构能够整合各类损失函数，丰富了算法设计的自由度。GAN创新性的采用两个神经网络的对抗的方式作为训练准则，并允许使用反向传播机制来进行更新优化，训练过程中没有复杂的变分下界也不需要使用马尔科夫链方法以及做各种近似推理，有效地提高了生成结构的训练效率，降低了训练难度。GAN可以直接进行新样本的采样和推断，不需要繁琐的采样序列，提高了新样本的生成效率。对抗的训练方法摒弃了对真实数据的依赖，扩展了生成过程的自由度，增加了样本的多样性。

在实践中，GAN生成的样本易于人类理解，例如，生成清晰的图像。GAN除了提供了新的生成方式以外，还对于半监督学习的研究和发展有重要影响。在GAN的训练过程是不需要制定数据标签的，虽然其的目的不是使用半监督学习，但是GAN的训练过程可以实施半监督学习中无标签数据对模型进行训练。具体来说就是先利用无标签数据训练GAN，再把少量有标签的数据传入已训练的GAN，利用GAN对数据的理解进一步训练判别器，这样可以很好的实现传统分类与回归任务。但是GAN的生成方式同样存在着一些问题，GAN采用对抗学习准则，目前还没有理论指导对抗的双方确实能够平衡发展，也很难通过损失值确定训练情况。GAN的训练过程需要确实保证对抗的双方生成器和判别器能够平衡与同步，否则无法保证训练结果可靠有用。实际的训练过程中，两个对抗网络的平衡同步很难把控，使得了训练过程变得很不稳定。对于GAN，从发展应用角度来说，如何根据随机的输入生成丰富的、容易被人类大脑理解的数据，是近期的应用发展方向；从与机器学习的其他算法交叉训练的角度来说，把GAN与特征学习、模仿学习和强化学习等技术更好的融合，促进这些技术方法发展，研发出新的人工智能应用是新的有意义的发展方向；从人工智能未来发展的角度来说，如何利用GAN推动人工智能的发展，提高理解现实世界的能力、激发人工智能的创造力是非常值得业界思考的方向。