[发明专利]一种基于ACGAN图像半监督分类算法

说明书

本发明基于ACGAN图像半监督分类算法解决在半监督学习中标签过少导致分类过拟合的问题，通过ACGAN网络中的生成器生成假数据及其对应的标签，并把假数据放入分类器中进行分类，增加带有标签的数据量，从而提高分类模型的泛化能力。

技术领域

本发明涉及图像识别领域，具体一种基于ACGAN图像半监督分类算法。

背景技术

在实际应用中,为分类模型提供大量的人工标签越来越困难,因此,近几年基于半监督的图像分类问题获得了越来越多的关注。大量实验表明,在生成对抗网络的训练过程中,引入少量的标签数据能获得更好的分类效果。目前最常用的半监督生成对抗网络是Improved GAN，其解决一个K+1类的分类问题，其中前K类表示真实数据的具体类别，第K+1类表示生成数据即假数据的类别。然而这个网络模型并不能对生成数据有一个具体的分类，仅仅只是把生成数据去判别真伪，对于标签稀少的数据集采用半监督学习进行分类精度提高不太明显。

发明内容

针对半监督分类标签不足造成分类结果过拟合，本发明的目的在于针对ACGAN网络结构提供了一种基于ACGAN图像半监督分类算法，通过ACGAN中的分类器生成带有标签的假数据提供给分类器进行分类，增加带标签样本的数量来提高分类精度，对于无标签数据采用香农熵以衡量分类器对于无标签数据分类的不确定度，以此来提高分类器的自信度。

为实现上述目的，本发明采用以下技术方案：

1采用minibatch方式训练，先从标准正态分布中采样m个随机分布z，和m个带标签样本中的标签c，通过矩阵融和把z和y融和成一个矩阵当成生成器G的输入，通过步长卷积生成与原图像具有相同维度的假数据X_g～P_g(X,Y)。

2判别器D1接收带标签数据X_l，不带标签数据X_u和生成数据X_g通过卷积网络生成对应的数据特征。

3判别器D2接收D1输出的图像特征，通过MLP网络输出一个数值来判别这个数据特征的真伪，判别器D1/D2与生成器G构成极大极小化博弈，其期望如公式(1)，利用梯度下降法来更新D1，D2和G中的参数

其中D(X)＝D₂(D₁(X))，κ＝(m+n)。

4分类器C接收D1输出的图像特征，通过MLP网络输出一个k维列向量，其损失函数l_C分为两部分，对于有标签数据和生成数据来说使用交叉熵来表示损失函数l_sup，如公式(3)所示；对于无标签数据使用香农熵来表示损失函数l_u，如公式(4)所示；通过对损失函数采用梯度下降法来更新D1和C中的参数；

l_C＝l_u+l_sup (2)

其中

5重复步骤1—4，通过生成器和判别器博弈，直至网络达到纳什均衡。

附图说明

图1是本发明一种实施方式的方法网络结构图；

图2是本发明在MNIST数据集下的每个部分具体实施方法。

具体实施方式