[发明专利]一种基于生成式对抗网络的图像单分类方法

摘要

本发明涉及一种基于生成式对抗网络的图像单分类方法，包括：采用密集连接块结构构建生成式对抗网络中的生成器；构建生成式对抗网络中的判别器；输入正样本训练数据，并采用梯度惩罚算法对生成式对抗网络进行训练；根据训练过程中模型在验证集上的分类效果，调整网络参数，使用早停策略Early Stopping找到模型的分类最优迭代次数；模型训练完成后，利用生成式对抗网络中的判别器，对测试集数据进行测试，并通过分类召回率CRI判断模型的分类效果。本发明能够自动生成负样本集，解决现有单分类方法中人工构建负样本数据集容易造成分类器过拟合的问题。

主权项

1.一种基于生成式对抗网络的图像单分类方法，包括如下步骤：(1)采用密集连接块结构构建生成式对抗网络中的生成器：生成器的输入为一个一维的随机变量z，其分布服从正态分布，将z转化为服从训练正样本分布的合成负样本图像；(2)构建生成式对抗网络中的判别器：同样采用密集连接块结构，将判别器的最后一层调整为“softmax”层，采用均方误差函数作为损失函数，使判别器明确输出输入样本为正、负样本的概率，使之直接输出对输入图像的单分类结果，构建出适合于单分类的判别器；(3)输入正样本训练数据，并采用梯度惩罚算法对生成式对抗网络进行训练；(4)根据训练过程中模型在验证集上的分类效果，调整网络参数，使用早停策略Early Stopping找到模型的分类最优迭代次数；(5)模型训练完成后，利用生成式对抗网络中的判别器，对测试集数据进行测试，并通过分类召回率CRI判断模型的分类效果，图像单分类中，对于第i个输入，其单分类结果Ci表示为：Ci∈{TP,TN,FP,FN},i∈I式中，I表示测试样本集，TP表示被模型预测为正的正样本，TN表示被模型预测为负的负样本，FP表示被模型预测为正的负样本，FN表示被模型预测为负的正样本，单分类器评估指标——分类召回率CRI：式中若CRI高于0.4，则认为模型具有较好的单分类效果，若低于0.4则需要调整模型的参数重新训练。