[发明专利]基于生成对抗网络局部聚合编码半监督的图像分类方法

说明书

本发明公开了一种基于生成对抗网络局部聚合编码半监督的图像分类方法，具体实现步骤为：(1)生成训练集；(2)构建生成器网络；(3)训练生成器网络；(4)构建局部聚合编码半监督分类网络；(5)训练局部聚合编码半监督分类网络；(6)判断局部聚合编码半监督分类网络的当前损失值是否接近0.5，若是，执行步骤(7)，否则，执行步骤(3)；(7)得到生成对抗网络；(8)对待分类图像进行分类。本发明通过构建局部聚合编码半监督分类网络，降低了网络复杂度，提高了对类别间特征的辨识度，能够在只含有少量精确标注样本的样本集上获得很好的分类效果。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分类技术领域中的一种基于生成对抗网络局部聚合编码半监督的图像分类方法。本发明从自然场景中的每张图片包含一个或多个类别物体的单通道和多通道图片中，对待分类的所有图片中包含的不同类别目标的图片进行分类。

背景技术

图像分类的主要任务是可以实现对输入的图像中的目标进行类别的识别，进而准确确定目标所属类别。随着人们在计算机视觉领域的不断深入研究，图像分类任务在该领域得到了广泛应用和发展，目前基于生成对抗网络的分类算法主要分为无监督学习和半监督学习。无监督学习通过使用生成网络生成虚假样本，并将真实样本和虚假样本送入判别器网络进行判别，不断对抗式地训练生成器网络和判别器网络，进而对自然场景中包含不同类别的目标图片生成分类结果。半监督学习将生成的虚假样本和一小部分带有精确标签的数据以及大部分的无标签的数据送进判别网络进行训练，进而对送进网络的测试图片输出类别结果。在实际应用场景中，无监督学习由于使用的是没有精确标签的数据集，无法准确判定类别间的界限，造成分类结果不够准确；而一般的半监督图像分类方法，虽然能够判定类别间的界限，但是忽略了类别间的特征差异对分类准确性起到的作用，这限制了一般半监督方法的分类精度。

Jinhao Dong，Tong Lin在其发表的论文“MarginGAN:Adversarial Training inSemi-Supervised Learning.”(NeurIPS，2019年12月)中公开了一种利用生成对抗网络产生图像类间边界的半监督图像分类方法。该方法通过生成器网络产生虚假样本图像，通过判别器网络对真实样本和虚假样本进行判别，得到判别结果，使用一个多类别分类网络对输入分类网络中的带标签数据、未带标签数据以及虚假样本进行分类，生成可分辩的类别边界信息，该方法虽然改进了生成对抗网络无法清晰地辨别图像类间特征差异的问题，能够对自然图像更加准确地分类，但是，该方法仍然存在的不足之处是，该方法在判别器网络之外需要增加一个多类别分类网络，增加了网络的复杂度，增加了网络训练的困难程度，降低了网络分类的速度。

西安电子科技大学在其申请的专利文献“基于生成对抗网络的半监督图像分类方法”(申请号：2019103237026，公开号：110097103A)中公开了一种基于生成对抗网络的半监督图像分类方法。该方法首先将生成器网络接收到的噪声向量映射成特征图，混合真实样本一起送进判别器网络进行训练，得到第一次训练后的判别器网络参数。然后使用这些参数更新生成器网络参数，依次迭代更新判别器和生成器网络的参数。最后通过判别器网络最后一层输出一个单位向量，用来确定特征图片的类别。但是，该方法仍然存在的不足之处是，该方法忽略了图像的类间特征差异，没有使用特征编码本对提取到的特征进行选择和优化，影响了其分类的精度。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于生成对抗网络局部聚合编码半监督的图像分类方法，用于解决现有技术所采用的网络复杂度高、网络训练困难、无法清晰辨识类间特征差异的问题。

实现本发明目的的具体思路是：在局部聚合编码半监督分类网络中对提取到的图像特征进行局部聚合编码，生成局部聚合编码本，产生图像类别特征与局部聚合编码本之间的映射关系，通过特征编码对提取到的图像类间特征进行选择和优化，从而实现对图像更加准确地分类。

实现本发明目的的步骤如下：

(1)生成训练集：