[发明专利]信息最大化生成对抗网络模型合成人脸样本质量评估方法

摘要

本发明公开了一种信息最大化生成对抗网络模型合成人脸样本质量评估方法，本发明使合成人脸样本的质量评估变得更加客观，具有较高的可靠性。评估方法包括：S1、数据预处理；S2、采用卷积神经网络构建合成人脸样本集的评估模型；S3、通过S2中构建的评估模型对合成人脸样本进行评估质量好的合成人脸样本,由于生成对抗网络模型的机制，质量好的样本其概率分布pg(x)与原始样本的概率分布pdata(x)相近，所以通过分类模型训练测试时可以得到较高的准确率；质量差的合成人脸样本,则因其分布pg(x)离原始样本分布pdata(x)较远，且存在较多的可能性，所以其样本间差别较大，经分类模型进行训练测试时准确率较低。

主权项

1.一种信息最大化生成对抗网络模型合成人脸样本质量评估方法，其特征在于：信息最大化生成对抗网络合成的一系列特征连续变化的人脸样本，构成合成人脸样本集，并作为评估对象，评估方法包括：S1、数据预处理；S2、采用卷积神经网络构建合成人脸样本集的评估模型，包括：输入层输入层读取合成人脸样本，将图像数据转化为二维矩阵；卷积‑池化层卷积层提取合成人脸样本的特征，不同的卷积核用于提取不同的特征，浅层卷积层用于提取低级特征，深层卷积层用于提取高级的语义特征，根据图像的复杂程度选择合适的卷积层数，卷积层中输出的新的像素点由以下公式计算得出：其中，f(·)代表激活函数，代表上一层特征图像的某个像素值，代表卷积核，*代表卷积运算；考虑到本层输出可以与上一层多个特征图像关联，M_j表示参与运算的上一层的特征图像的子集；代表偏置项，上标l表示第l层，池化层进一步对提取的特征进行降维处理，在卷积运算后得到的特征矩阵的基础上，加入最大池化处理，池化操作中每个神经元对应卷积中每一个N×1位置，其公式为：其中，u(n,1)是卷积操作的一个窗函数，aj对应图像区域的最大值；SoftMax层SoftMax层将池化层的输出值映射为相应的概率值，最终选择概率值最大所在的类别作为模型分类的结果，假设输入特征记为x(i)，样本标签记为y(i)，构成训练集S＝{(x(1),y(1)),…,(x(m),y(m))}，对于给定的输入x，利用假设模型对每个类别j估算其概率值p(y＝j|x)，假设函数为：其中，θ₁,θ₂,…,θ_k为可学习的模型参数，为归一化项，使得所有概率之和为1，从而得到代价函数：其中，1{·}为一个指示性函数，当括号内的值为真时，函数的结果为1，否则为0；所述假设函数是对逻辑回归的推广，因此代价函数可以改为：对于SoftMax代价函数J(θ)求其偏导数，得到梯度公式：为一个向量，它的第l个元素是J(θ)对θ_j的第l个分量的偏导数；得到以上求解偏导数公式后，使用随机梯度下降算法对代价函数J(θ)进行最小化，在每次迭代过程中都需要对参数进行更新：最后实现SoftMax回归分类模型；S3、通过S2中构建的评估模型对合成人脸样本进行评估质量好的合成人脸样本,由于生成对抗网络模型的机制，质量好的样本其概率分布pg(x)与原始样本的概率分布pdata(x)相近，所以通过分类模型训练测试时可以得到较高的准确率；质量差的合成人脸样本,则因其分布pg(x)离原始样本分布pdata(x)较远，且存在较多的可能性，所以其样本间差别较大，经分类模型进行训练测试时准确率较低。