[发明专利]基于生成对抗网络的近地面红外目标数据集建立方法及装置

权利要求书

1.一种基于生成对抗网络的近地面红外目标数据集建立方法，其特征在于，包括以下步骤：

(1)对预先获取的红外图像数据集进行预处理，并划分为训练集和测试集；

(2)构建包括生成网络G和判别网络D的深度卷积生成对抗网络DCGAN；

(3)引入卷积操作及自注意力模块，改进步骤(2)构建的深度卷积生成对抗网络DCGAN；

(4)构建卷积神经网络CNN，优化CNN网络的损失函数，将生成的未标记的数据加入训练集共同作为CNN的输入。

2.根据权利要求1所述的基于生成对抗网络的近地面红外目标数据集建立方法，其特征在于，所述步骤(3)实现过程如下：

在DCGAN的基础上，为原生成网络增加一层卷积网络，生成网络中除最后一层外，每层均加入批量归一化层；生成网络的输出层采用Tanh函数，其余层激活函数是ReLU函数；

在原DCGAN的基础上，为原判别网络增加一层卷积网络，判别网络的输入有两部分：真实的近地面目标样本图像数据和生成网络生成的“假”图像数据；判别网络的最后一层使用Sigmoid激活函数，其他层的激活函数均采用Leak Relu函数；

引入了自注意力机制模块：在生成器和判别器的网络结构中均添加了self-attention层，将convolutional feature map转换为self-attention feature map输出，能够利用较远的区域的信息，每个位置能够结合与该位置相似或相关区域的信息，确保生成的图片的区域一致性。

3.根据权利要求1所述的基于生成对抗网络的近地面红外目标数据集建立方法，其特征在于，步骤(4)所述构建卷积神经网络CNN实现过程如下：

利用ResNet-50网络模型进行特征提取，同时利用双线性采样将生成的图像调整为128×128；生成的未标记的数据加入训练集共同作为CNN的输入；ResNet50在ImageNet上预训练；修改了最后一个全连接层使K个神经元能够预测K类，其中K是原始训练集中的类别数。

4.根据权利要求1所述的基于生成对抗网络的近地面红外目标数据集建立方法，其特征在于，步骤(4)所述的优化CNN网络的损失函数实现过程如下：

CNN原始的交叉熵函数为：

真值分布为：

标签平滑正则化方法用于将未标记的图像结合至网络中，对于生成的图像利用LSRO优化后的标签分布定义为：

结合上式，则优化后的交叉熵损失函数为：

其中，k∈{1,2,…K}是训练数据的预定义类，K表示类别数量；p(k)∈[0,1]表示属于k类输入的预测概率，由CNN网络输出；q(k)表示真值分布，y为真值类别标签；对于真实的训练集，Z＝0；对于生成的训练集，Z＝1。

5.一种基于生成对抗网络的近地面红外目标数据集建立装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-4任一项所述的基于生成对抗网络的近地面红外目标数据集建立方法。