基于生成对抗网络的图像识别方法研究

发布时间：2021-01-31 00:46

　　随着现代社会经济与科技的发展,日常生活与工作中产生了越来越多的信息,而其中图像占据很大比例,如何有效的处理、分析和理解图像显得至关重要。图像识别作为计算机视觉领域的研究热点之一,具有十分重要的理论意义与实际应用价值。传统的图像识别方法需要经验丰富的研究者人工选取图像特征,然后通过统计学分类器进行分类,往往识别准确率不高。在当前各种技术飞速发展的时代,传统方法的识别准确率和识别速率已经无法满足实际应用需求。而以卷积神经网络为代表的各种深度学习模型,通过多层次的卷积层和池化层模拟人类大脑自动学习图像样本的特征,得到识别准确率远超传统方法的分类器。生成对抗网络是近年来热门的生成式模型,本文进行基于生成对抗网络的图像识别方法研究。针对如何有效提升识别准确率的问题,本文从改善训练样本集方向入手,提出图像识别深度生成对抗网络模型。利用生成样本扩充训练样本集的数量和多样性,从而使判别器网络在训练中学习更多图像样本特征,从而提升分类器识别准确率。在MNIST数据集和CIFAR-10数据集以及CLP数据集上进行图像识别实验,得到结果后与其他方法进行对比,实验结果证明本文方法能够有效提升识别准确率。针对有... 

【文章来源】：长沙理工大学湖南省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图１．１人工神经元模型??１９５８年Ｒｏｓｅｎｂｌａｔｔｓ＾首次使用人工神经元模型对输入的数据进行分类操作，并使用??

零和博弈，两者在训练过程中需要不断地优化自身以达到预定的目的，生成器的??目的在于调整自身的网络参数，使生成的样本拟合真实数据分布，在输入判别器后使判??别器作出误判，而判别器则不断调整网络参数，正确判别输入的样本是真实数据还是生??成器产生的生成样本，多轮博弈对抗后二者最终达到纳什均衡，此时生成器产生的图像??样本拟合真实数据分布。??真实致据ｘ?ｐ＿???１?！?１??－ｉ判别器ｄ?｜—判别结果一？??Ｌ??ｔ???Ｉ?１?ｆ?：??醜噪声ｚｈ生纖??图２．１生成对抗网络原理图??生成对抗网络的原理图如图２．１所示。在生成器和判别器的博弈对抗中，生成器根??据随机噪声ｚ生成拟合真实数据Ｐｄａｌａ的生成样本Ｇ（ｚ），Ｇ（ｚ）和真实数据ｘ?—起输入判别??器，判别器输出判别结果Ｄ（ｘ）和Ｄ（Ｇ（ｚ）），即对应样本为“真实数据”的概率，生成样本??的期望判别结果应为０而真实数据样本的期望判别结果应为１。判别器得到判别结果后??最小化实际输出和期望输出的交叉熵，而生成器通过判别器反馈调整自身参数最大化生??成样本判别为“真实数据”的概率Ｄ（Ｇ（ｚ）），此时生成器与判别器完成了一轮参数调整。??但实际训练时，为了使生成器和判别器维持同水平博弈对抗，避免判别器过快达到最优??６??

ｅｐ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｇｅｎｅｒａｔｉｖｅ?Ａｄｖｅｒｓａｒｉａｌ?Ｎｅｔｗｏｒｋｓ，ＩＲ－ＤＣＧＡＮ）模型，ＩＲ－ＤＣＧＡＮ?模型??采用深度卷积网络组成生成器与判别器，生成器学习原有样本特征生成样本，判别器判??断输入的样本为真实样本还是生成样本，训练过程中判別器和生成器博弈对抗，在提升??生成样本质量的同时也在训练中提升判别器性能。??训练过程中，除了原训练样本集中的图像样本外，生成器产生的样本也输入判别器，??使其学习更多特征，生成样本帮助判别器学习图像特征的过程如图３．１所示。??广?Ｎ，?、??＃?？?Ａ?ＡＡ?？?？?Ｉ?？?▲▲??？？？?？?？?＾一？▲?？?？??、ｓ＾一?一一?Ａ?Ａ??〇Ｄ〇Ｃ?＾厶〇〇〇〇八么??°?〇?〇?°?〇〇〇〇ＡＡ??＼??ｙ??扩充训练样本集前?扩充训练样本集后??图３．１生成样本扩充训练样本集??如图３．１所示，图中的黑白点代表原有样本中属于不同分类的有标签样本，而三角??９??


本文编号：3009894