[发明专利]一种基于样式生成对抗网络的红外纹理样本扩充方法

权利要求书

1.一种基于样式生成对抗网络的红外纹理样本扩充方法，其特征在于，包括：

S1：利用多张实拍的红外纹理图像组成训练集；

S2：构造由生成器网络和判别器网络组成的样式生成对抗网络；

S3：利用训练集和随机生成的特征向量对所述生成器网络进行训练；

S4：利用训练集、生成器网络生成的图像以及随机生成的特征向量对所述判别器网络进行训练；

S5：对所述生成器网络和所述判别器网络交替进行训练，使得损失小于预设阈值，获得经训练的样式生成对抗网络模型；

S6：利用经训练的样式生成对抗网络模型获得红外纹理图像，以对红外纹理样本进行扩充。

2.根据权利要求1所述的基于样式生成对抗网络的红外纹理样本扩充方法，其特征在于，所述S2包括：

S2.1：构建生成器网络，所述生成器网络包括映射网络单元和合成网络单元；

S2.2：构建判别器网络；

S2.3：将所述生成器网络和判别器网络进行级联，获得所述样式生成对抗网络。

3.根据权利要求2所述的基于样式生成对抗网络的红外纹理样本扩充方法，其特征在于，所述映射网络单元包括依次连接的归一化模块和多个全连接层，其中，所述归一化模块用于对输入的隐变量进行归一化处理，所述全连接层用于根据归一化后的隐变量映射到潜在空间，学习一种仿射变换，获得仿射变换向量。

4.根据权利要求3所述的基于样式生成对抗网络的红外纹理样本扩充方法，其特征在于，所述合成网络单元包括多个合成模块，每个合成模块包括第一样式卷积块、第二样式卷积块和输出卷积层，其中，

所述第一样式卷积块用于利用所述仿射变换向量对添加高斯噪声数据后的随机向量进行仿射变换、随后进行上采样、卷积和归一化操作，获得所述随机向量的中间特征向量；

所述第二样式卷积块用于利用所述仿射变换向量对添加高斯噪声数据后的中间特征向量进行仿射变换、随后进行卷积和归一化操作，获得所述随机向量的高级特征向量；

所述输出卷积层用于输出所述高级特征向量对应的RGB图像。

5.根据权利要求2所述的基于样式生成对抗网络的红外纹理样本扩充方法，其特征在于，所述生成器网络包括依次连接的输入层、卷积块组合和两个全连接层。

6.根据权利要求5所述的基于样式生成对抗网络的红外纹理样本扩充方法，其特征在于，所述卷积块组合包括多个卷积块，每个卷积块用于对输入的特征向量进行卷积、上采样和下采样，以缩小所述特征向量的尺寸。

7.根据权利要求6所述的基于样式生成对抗网络的红外纹理样本扩充方法，其特征在于，每个所述卷积块依次包括卷积层、下采样层、卷积层、上采样层、卷积层和下采样层。

8.根据权利要求2所述的基于样式生成对抗网络的红外纹理样本扩充方法，其特征在于，所述S3包括：

S3.1：固定所述判别器网络当前的权重参数，将随机生成的特征向量输入到所述生成器网络中，输出生成的红外纹理图像；

S3.2：将生成的红外图像输入到所述判别器网络中，所述判别器网络对生成的红外图像进行评估，输出评估结果；

S3.3：利用所述判别器网络的评估结果和所述生成器网络的损失函数计算生成器网络的损失值，所述生成器网络损失函数的计算公式为：

L_G＝-E[D(G(z))]

其中，L_G表示生成器网络的损失函数，E[·]表示求期望操作，D(·)表示样式生成对抗网络中的判别器网络的输出，G(·)表示样式生成对抗网络中的生成器网络的输出，z表示随机生成的特征向量；

S3.4：将所述生成器网络损失函数值与正则化项相加得到生成器的损失，根据所述损失利用梯度下降方法更新生成器网络参数。

9.根据权利要求8所述的基于样式生成对抗网络的红外纹理样本扩充方法，其特征在于，所述S4包括：

S4.1：固定生成器网络当前的权重参数，将随机生成的特征向量输入到所述生成器网络中，输出生成的红外纹理图像；

S4.2：将生成的红外纹理图像和来自所述训练集中的红外纹理图像分别输入到所述判别器网络中；

S4.3：利用所述判别器网络对依次输入的红外纹理图像评估后分别输出对应的评估结果；

S4.4：利用所述判别器网络的评估结果和所述判别器网络的损失函数计算所述判别器网络的损失值，所述判别器网络的损失函数计算公式为：

其中，L_D表示判别器网络的损失函数，E[·]表示求期望操作，D(·)表示样式生成对抗网络中判别器网络的输出，G(·)表示样式生成对抗网络中生成器网络的输出，z表示随机生成的特征向量，x表示来自训练集中的实拍红外纹理图像，γ表示平方项系数，λ表示约束项系数，表示由生成器输出的红外纹理图像和训练集中的实拍红外纹理图像根据随机比例对应融合得到的约束项红外纹理图像，||·||₂表示2范数操作，表示求导操作；

S4.5：将损失函数值与正则化项相加得到判别器的损失，根据所述损失利用梯度下降方法更新判别器网络参数。