[发明专利]一种基于生成对抗网络的图像多样性增强方法与系统

说明书

本发明公开了一种基于生成对抗网络的图像多样性增强方法与系统，属于机器学习技术领域，为解决小样本学习、任意图像数据集样本扩充与平衡等问题，本发明的技术方案包括生成器模块，判别器模块和聚类可视化模块。生成器模块利用噪声生成新的对抗样本图像；判别器模块将原有图像数据集和对抗样本进行“真假”比对；聚类可视化模块计算生成的对抗样本的种群数量。该发明创新性的将“压缩编码函数”与“辛普森多样性指数”相结合，提出了分类导向的多样性最大化损失函数，能在保证生成对抗样本图像的保真度的同时，有效提升种群内样本的多样性。

技术领域

本发明属于机器学习技术领域，具体涉及一种基于生成对抗网络的图像多样性增强方法与系统。

背景技术

生成式对抗网络（GAN, Generative Adversarial Networks ）是一种在2014年由Goodfellow等人提出的深度学习模型，是近年来深度学习界中热门模型之一。原始的生成式对抗网络模型框架中拥有两个模块：生成模块（Generative Model）和判别模块（Discriminative Model）。两个模块通过它们之间的“博弈”来达到使用者想要得到的效果。在生成式对抗网络实例中常使用深度神经网络作为生成模块和判别模块。一个“训练有素”的生成式对抗网络对合适的训练方法有非常高的需求，否则可能因为神经网络模型的无监督性而导致训练结果不尽人意。

现有技术中，一部分相关人员在进行对生成对抗网络的改进时，他们对生成对抗网络中的生成模块以及判别模块的损失函数进行改进，如使用地球移动距离代替常见的交叉熵损失函数，但并未对生成模块和判别模块的神经网络结果进行改进，神经网络中依然全部使用全连接层。又或者一部分人是对生成模块和判别模块的神经网络结构进行改进，但是并未涉及到其损失函数的改进，通常还是使用常见的交叉熵损失函数。

现有技术存在以下技术问题：

在对生成对抗网络进行改进时，现有技术虽然能使生成的对抗样本的清晰度更高，更贴合原始图像数据集中的图像。但是通过现有技术对生成对抗网络进行改进会出现模式崩塌的问题。导致生成的图像千篇一律，并未能让图像的多样性有所增强。

发明内容

针对上述现有技术中存在的问题，本发明提出了一种基于生成对抗网络的图像多样性增强方法与系统，其目的为：解决传统生成式对抗网络模型中的模式坍塌问题。使图像低维度表征被最大化表达，做到对样本保真度和多样性之间的权衡进行精细控制。

为实现上述目的本发明所采用的技术方案是：提供一种基于生成对抗网络的图像多样性增强方法，应用于装有Tensorflow框架的Windows系统设备，包括：

S1:搭建一个生成对抗网络模型，包括聚类模块、具有分类导向的损失函数、判别器模块和生成器模块；

S2：将采集的图像数据形成原始图像数据集，并对所述原始图像数据集做归一化预处理，并定义优化器和损失函数；

本发明利用Tensorflow2.0自带的tf.data.Dataset.from_tensor_slices()函数，导入原始图像数据集之后，通过shuffle()函数进行数据打乱，之后利用map()函数并结合定义好的预处理函数对原始图像数据集进行归一化操作，之后再利用batch()函数,定义放入模型训练图像的数量；

S3:使用Tensorflow框架的函数生成噪声，将生成的噪声放入生成器模块，生成对应的图像对抗样本；

S4:所述图像对抗样本进入聚类模块,然后聚类模块对所述图像对抗样本进行聚类，并得出聚类数值；

S5:所述原始图像数据集和所述图像对抗样本进入判别器模块，判别器模块根据所述原始图像数据集对所述图像对抗样本进行判断，输出一个判断结果;