[发明专利]一种改进辅助分类器GAN的图像分类方法

摘要

本发明公开了一种改进辅助分类器GAN的图像分类方法，包括：在ACGAN网络结构的基础上，将判别器的部分卷积层改为池化层，让生成样本在判别器中的特征输出与真实样本在判别器中的特征输出相匹配，在判别网络的输出层连接Softmax分类器，输出样本标签的后验概率估计值；将真实样本看成有标签的监督数据，生成样本看成有标签的假数据，利用样本的真假属性以及样本的输出标签与输入标签的交叉熵损失函数重构生成器和判别器的损失函数。该方法与原始ACGAN方法及同等深度网络结构的卷积神经网络相比，具有更好的分类准确率。

主权项

1.一种改进辅助分类器GAN的图像分类方法，其特征在于，包括：在ACGAN网络结构的基础条件下，将判别器的第3卷积层、第5卷积层分别改为池化层，并引入特征匹配，使生成样本在判别器中的特征输出与真实样本在判别器中的特征输出相匹配，特征匹配的目标函数如式(1)所示：式中，f(x)表示判别器中间层的输出，x为输入，z～p_z为噪声，G(z；θ_g)为生成样本空间；将真实样本看成有标签的监督数据，生成样本看成有标签的假数据，然后在判别器的输出层连接Softmax分类器，输出样本标签的后验概率估计值；其中，真实样本的监督损失函数L_supervised，表示为式(2)：式中，N为训练中一个batch内的样本数，<·,·>表示内积，y为样本标签，y'为样本标签预测值，p为预测函数，CE(y,y')为y与y'的交叉熵损失值；真实数据的损失函数L_real表示为式(3)：L_real＝L_supervised   (3)；判别生成样本为假样本类的概率期望损失L_unsupervised如式(4)所示：式中，K为类别；生成样本的输入标签与样本标签y一致，得到生成样本的输出标签y'_fake与输入标签之间的交叉熵损失值为CE(y,y'_fake)，生成样本的损失函数L_fake如式(5)所示：L_fake＝0.5×(L_unsupervised+CE(y,y'_fake))   (5)；利用样本的真假属性以及样本的输出标签与输入标签的交叉熵损失函数重构生成器和判别器的损失函数，其中，判别器的误差L_D表示为式(6)：L_D＝0.5×(L_real+L_fake)   (6)；生成器的误差L_G表示为式(7)：L_G＝0.5×(L_FM+L_unsupervised)   (7)；其中表示特征匹配的二范数损失项。