[发明专利]一种用于GAN模型训练的半监督学习的方法

权利要求书

1.一种用于GAN模型训练的半监督学习的方法，其特征在于，包括如下步骤：

第1步，获取图像数据，所述的图像数据中至少包括第一图像区域以及第二图像区域，第二图像区域落在第一图像区域的范围内部；并且，图像数据中还包括第一图像区域与第二图像区域的相对位置关系；

第2步，分别对每个图像数据中的第一图像区域和第二图像区域进行特征提取，分别得到经过了图形特征提取后的第一图像特征和第二图像特征；

第3步，将每个图像数据中的第二图像特征进行拼接之后，再与第一图像特征进行拼接，得到总图像特征；

第4步，随机生成种子矩阵，并与总图像特征进行拼接，作为生成器的输入值，得到生成器的输出值G_output；生成器的监督损失函数L_{G_s}中纳入了第一图像区域与第二图像区域的相对位置关系；

第5步，根据G_output生成图像数据，再传入对抗器中，输出评分p_G；

第6步，计算生成器的非监督损失函数值L_{G_u}，L_{G_u}＝∑(1-p_G)；

第7步，生成器的损失函数L_G通过如下计算：L_G＝r*L_{G_s}+(1-r)*L_{G_u}；r是自适应比率参数；

第8步，根据第一图像区域与第二图像区域的相对位置关系标签，构建真实家具布局图，并计算真实家具布局图的评分p_real；

第9步，遍历数据集，重复第2到第8步，直到生成器生成较为满意的输出为止；

第一图像区域与第二图像区域的相对位置关系是指家具在户型图中的位置坐标关系。

2.根据权利要求1所述的用于GAN模型训练的半监督学习的方法，其特征在于，所述的图像数据是带有家具的户型图；所述的第一图像区域是户型结构，所述的第二图像区域是家具。

3.根据权利要求1所述的用于GAN模型训练的半监督学习的方法，其特征在于，设定第二图像区域的数量为k个，k为大于1的整数；每个图像数据中若实际第二图像区域少于k个时，图像数据中用0补齐至k个。

4.根据权利要求1所述的用于GAN模型训练的半监督学习的方法，其特征在于，第2步中，通过resNet特征提取器，或Inception特征提取器，或VGG特征提取器，或一般的卷积神经网络进行特征提取。

5.根据权利要求1所述的用于GAN模型训练的半监督学习的方法，其特征在于，生成器主体结构采用resNet网络。

6.根据权利要求1所述的用于GAN模型训练的半监督学习的方法，其特征在于，位置坐标关系由标签l表示，标签l是一个零一矩阵，每个第二图像区域在第一图像区域中的坐标位置标记为1，矩阵大小为(i,j)；生成器的监督损失函数L_{G_s}过程式如下：

其中，是G_output中的第i行第j列第k通道的元素，i和j是标签l中第k个通道中值为1的元素的坐标，函数对一批次中的所有样本以及各案例中的所有第二图像区域的元素进行累加。

7.根据权利要求1所述的用于GAN模型训练的半监督学习的方法，其特征在于，所述的第8步中，对抗器的损失函数如下：L_D＝∑(D(I_real)-p_G)；其中，D(.)为对抗器，I_real是真实家具布局图。

8.根据权利要求1所述的用于GAN模型训练的半监督学习的方法，其特征在于，利用Adam优化器更新对抗器的参数，利用Adam优化器更新生成器的参数；人为指定半监督学习参数r，或让模型自适应地学习r；在自适应地学习r中，r的更新方式如下：

9.根据权利要求1所述的用于GAN模型训练的半监督学习的方法，其特征在于，所述的图像数据是户型布局，其中，第一图像区域是指户型图，第二图像区域是家具。