[发明专利]一种用于GAN模型训练的半监督学习的方法

说明书

本发明公开了一种用于GAN模型训练的通过自适应监督比率控制的半监督学习的方法。本方法有效的解决了GAN模型训练过程中对抗器学习得到的辩真规则不足以指导生成器生成高精度案例的问题；通过自适应监督比率，模型自动控制融入标签信息的量，有效利用了数据信息，使得生成的案例同时满足多样性与保真度。

技术领域

本发明涉及深度学习领域的GAN模型训练方法，具体涉及一种半监督GAN的通过自适应监督比率控制监督程度的学习方法。

背景技术

生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型，GAN模型在图像生成、语音生成、文字生成等领域都有广泛应用。对GAN模型的训练，一般都采用无监督式训练方法，这样可以利用大量未标记过的自然数据；当存在部分标记数据时，可以通过半监督学习框架，从而得到生成器的输入编码与标签的对应关系，完成C-GAN的训练。但这些一般方法存在以下问题：1.无法充分利用数据信息，特别是标签信息；2.对抗器学习得到的辩真规则无法有效的指导生成器更新参数。特别是当所有数据都已经是带标签的数据时，如何有效利用好GAN模型训练框架，让最后训练好的生成器输出结果既满足多样性又满足保真度，就成为了一个问题。

一般的GAN模型训练方法，都是采用的非监督式训练，其优点是不需要标签数据，通过观察大量的真实数据，一方面让生成器生成的结果令对抗器输出较大的评分，另一方面让对抗器分辨真实数据和生成器生成结果的能力不断提高。此种博弈思想的利用，使得模型可以不依赖标签进行训练。

GAN模型的另一优点是，相较于预测式模型，GAN作为生成式模型可以针对同一输入输出不同的结果，理论上可以做到不同的结果都是逼近真实的。例如，给定一个户型和多个待布局的家具，GAN模型可以输出多个满足要求的方案。

但GAN模型的缺点也是很明显的。第一个缺点就是GAN模型难以训练，训练难以收敛，有时训练时候会发生梯度消失或梯度爆炸；第二个缺点是，如果收集的是大量带标签的数据，此时为了达到生成结果的多样性，仍然采用GAN模型的话就会丢失标签数据的重要信息。

发明内容

基于以上两个GAN模型下的问题，本方法引入了监督学习，并通过一个监督比率将生成器的监督损失和非监督损失组合在一起，并通过了图像中的两类图像信息的位置关系作为数据标签。

本发明的技术方案主要解决了以下问题：

解决用全部带标签的数据训练GAN模型时如何充分利用标签信息的问题；

解决GAN模型训练过程中对抗器学习得到的辩真规则无法正确引导生成器更新参数的问题；

解决既保证生成器输出结果的多样性又保证其保真度的问题；

解决两种损失函数相结合时无法及时而适当地调整不同损失函数占比的问题。

技术方案是：

一种用于GAN模型训练的半监督学习的方法，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_outpuy；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；