[发明专利]基于生成对抗网络的具有可伸缩性模块化图像识别方法

权利要求书

1.一种基于生成对抗网络的具有可伸缩性模块化图像识别方法，其特征在于，训练图像识别模型，利用图像识别模型识别图像；所述训练图像识别模型包括以下步骤：

步骤1：将图像数据按类别进行整理，有N个类别就将其分为N类，每类中只包含相同类别的图像数据；

步骤2：根据类别个数N准备N个生成对抗网络模型；

步骤3：训练第i个类别的图像数据，i∈{1,2,...,N}；训练生成器G_i，直到生成对抗网络训练完成；

步骤4：固定生成对抗网络中判别器D_i的参数，按梯度逆方向训练生成器G_i；

步骤5：固定生成对抗网络中生成器G_i的参数，训练判别器D_i，直到训练完成；

步骤6：对所有类别图像数据重复步骤3至步骤5，直到N个判别器训练完成；

步骤7：将N个判别器并联排列组合成判别器组；

所述步骤3中，生成器G_i损失函数的计算方式为最小化其中，x～P_r为从真实图像数据集取出的样本，x～P_g为从生成的图像数据集中取出的样本，D为判别器；

所述步骤4中，生成器G_i损失函数的计算方式为最大化

所述步骤5中，判别器D_i损失函数的计算方式为最小化

2.根据权利要求1所述的基于生成对抗网络的具有可伸缩性模块化图像识别方法，其特征在于，利用所述图像识别模型识别图像：

将图片输入到判别器组，每个判别器将对图片输出预测结果；计算最终预测结果。

3.根据权利要求1所述的基于生成对抗网络的具有可伸缩性模块化图像识别方法，其特征在于，所述的步骤3、4和5中，训练所使用的优化器为RMSProp优化器。

4.根据权利要求2所述的基于生成对抗网络的具有可伸缩性模块化图像识别方法，其特征在于，计算最终预测结果的具体过程为：若只有一个判别器将其标注为正样本，则将其归入该判别器所代表的类别；若多个判别器将其标注为正样本或者没有判别器将其标注为正样本，则将其归入负样本。