CN111027603A - 一种改进gan模型的图像生成方法 - Google Patents
一种改进gan模型的图像生成方法 Download PDFInfo
- Publication number
- CN111027603A CN111027603A CN201911181133.2A CN201911181133A CN111027603A CN 111027603 A CN111027603 A CN 111027603A CN 201911181133 A CN201911181133 A CN 201911181133A CN 111027603 A CN111027603 A CN 111027603A
- Authority
- CN
- China
- Prior art keywords
- model
- sample
- improved
- generated
- generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种改进GAN模型的图像生成方法,首先读取本地已有的原始图像样本;预训练改进LeNet模型;将改进LeNet模型当做改进GAN模型的判别模型;根据原始GAN模型的生成模型设计改进GAN模型的生成模型;以随机噪声为生成模型的输入,经过反卷积操作后得到生成的图像样本;以生成的图像样本和已有的原始图像样本为判别模型的输入,得到图片是真的概率,并将结果返回给步骤3中的判别模型和步骤4中的生成模型;判别模型更新参数来更好的分辨图片的真假,生成模型生成更加真实的图片;生成模型和判别模型相互竞争,相互促进,训练N步后结束,最终生成模型生成真实的样本。本发明不仅能够为厂家节省成本而且能够为后续的分类问题提供更多的样本。
Description
技术领域
本发明属于图像处理技术领域,涉及一种图像生成方法,具体涉及一种改进GAN模型的图像生成方法。
背景技术
在处理生产线上分类问题时,厂家提供的样本数量有限,为增加样本的特征提高分类模型的稳定性,需要根据已有样本来生成图片。
目前GAN模型在图像生成中应用广泛,但是存在模型崩溃和模型难以训练的问题。
发明内容
为了解决上述技术问题,本发明结合改进LeNet模型和GAN模型,提供了一种改进GAN模型的图像生成方法。
本发明所采用的技术方案是:一种改进GAN模型的图像生成方法,其特征在于,包括以下步骤:
步骤1:读取本地已有的原始图像样本;
步骤2:预训练改进LeNet模型;
步骤3:将改进LeNet模型当做改进GAN模型的判别模型;
步骤4:根据原始GAN模型的生成模型设计改进GAN模型的生成模型;
步骤5:以随机噪声为生成模型的输入,经过反卷积操作后得到生成的图像样本;
步骤6:以生成的图像样本和已有的原始图像样本为判别模型的输入,得到图片是真的概率,并将结果返回给步骤3中的判别模型和步骤4中的生成模型;
使用梯度上升算法更新判别模型参数,其中参数为各层卷积层的权重,分辨图片的真假,生成模型生成更加真实的图片;
步骤7:生成模型和判别模型相互竞争,相互促进,训练N步后结束,最终生成模型生成真实的样本。
作为优选,步骤2中所述改进LeNet模型,由3组相同的模块组成,每组模块结构包括2个3*3卷积和一个1*1卷积,每个卷积需要经过归一化处理、relu激活函数激活,之后将3个卷积操作做残差处理,最后连接2*2的池化操作。
作为优选,步骤2中所述预训练改进LeNet模型,以卷积神经网络训练的方法训练改进LeNet模型参数,其中参数包括改进LeNet的各层卷积层的权重,获得的效果为各权重达到最优值让模型能够判断图片的真假。
作为优选,步骤4中所述改进GAN模型的生成模型,包括4组相同的模块,每组模块包括5*5反卷积和1*1卷积,每个反卷积和卷积之后经过经过归一化处理、relu激活函数激活。
作为优选,步骤7中所述生成模型和判别模型相互竞争,相互促进,具体实现过程是:首先生成模型G接收到随机噪声Z,生成假的样本;然后将生成的样本和原始真实的样本作为判别模型D的输入判断真假;将结果返回给G和D让两个模型,G生成新一批的样本来欺骗D,而D更新参数来更准确的区分真假;两个网络模型相互促进更新,直到最后D生成的样本与真实样本有相同分布,G也无法再区分生成样本与真实样本的真假。
本发明结合改进LeNet和GAN提出改进GAN,并提出先分类后生成图片的训练方法,不仅能够为厂家节省成本而且能够为后续的分类问题提供更多的样本。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例的判别模型图;
图3为本发明实施例的生成模型图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种改进GAN模型的图像生成方法,包括以下步骤:
步骤1:读取本地图片已有的原始图像样本5000张,包含两个类别,以小龙虾为例:一类为bads(黑虾和受损的虾等),另一类为goods(好的龙虾),对应的标签分别为0和1;
步骤2:将5000张样本作为改进LeNet模型的输入,并以卷积神经网络训练的方法训练模型参数。
本实施例的改进LeNet模型,由3组相同的模块组成,每组模块结构包括2个3*3卷积和一个1*1卷积,每个卷积需要经过归一化处理、relu激活函数激活,之后将3个卷积操作做残差处理,最后连接2*2的池化操作。
整个模型输入图片,经过上述3组模块,最后输出判断图片真假的概率。
步骤3:将经过预训练的改进LeNet模型当做改进GAN模型的判别模型,模型如图2所示。
本实施例的预训练改进LeNet模型,以卷积神经网络训练的方法训练改进LeNet模型参数,其中参数包括改进LeNet的各层卷积层的权重,获得的效果为各权重达到最优值让模型能够判断图片的真假。
步骤4:根据原始GAN模型的生成模型设计改进GAN模型的生成模型,模型如图3所示。
本实施例的改进GAN模型的生成模型,包括4组相同的模块,每组模块包括5*5反卷积和1*1卷积,每个反卷积和卷积之后经过经过归一化处理、relu激活函数激活。
整个模型为输入随机噪声,之后进行全连接操作并经过BN(归一化处理)、relu激活函数激活,然后经过上述4个模块的操作,输出图片。
步骤5:以随机噪声为生成模型的输入,经过反卷积等操作后得到生成的图像样本。
步骤6:以生成的图像样本和已有的原始图像样本为判别模型的输入,得到图片是真的概率,并将结果返回给步骤3中的判别模型和步骤4中的生成模型;
本实施例使用梯度上升算法更新判别模型参数,其中参数为各层卷积层的权重,分辨图片的真假,生成模型生成更加真实的图片;
步骤7:两个模型相互竞争,相互促进,训练20000步结束,最终生成模型会生成真实的样本。
本实施例中,生成模型和判别模型相互竞争,相互促进,具体实现过程是:首先生成模型G接收到随机噪声Z,生成假的样本;然后将生成的样本和原始真实的样本作为判别模型D的输入判断真假;将结果返回给G和D让两个模型,G生成新一批的样本来欺骗D,而D更新参数来更准确的区分真假;两个网络模型相互促进更新,直到最后D生成的样本与真实样本有相同分布,G也无法再区分生成样本与真实样本的真假。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种改进GAN模型的图像生成方法,其特征在于,包括以下步骤:
步骤1:读取本地已有的原始图像样本;
步骤2:预训练改进LeNet模型;
步骤3:将改进LeNet模型当做改进GAN模型的判别模型;
步骤4:根据原始GAN模型的生成模型设计改进GAN模型的生成模型;
步骤5:以随机噪声为生成模型的输入,经过反卷积操作后得到生成的图像样本;
步骤6:以生成的图像样本和已有的原始图像样本为判别模型的输入,得到图片是真的概率,并将结果返回给步骤3中的判别模型和步骤4中的生成模型;
使用梯度上升算法更新判别模型参数,其中参数为各层卷积层的权重,分辨图片的真假,生成模型生成更加真实的图片;
步骤7:生成模型和判别模型相互竞争,相互促进,训练N步后结束,最终生成模型生成真实的样本。
2.根据权利要求1所述的改进GAN模型的图像生成方法,其特征在于:步骤2中所述改进LeNet模型,由3组相同的模块组成,每组模块结构包括2个3*3卷积和一个1*1卷积,每个卷积需要经过归一化处理、relu激活函数激活,之后将3个卷积操作做残差处理,最后连接2*2的池化操作。
3.根据权利要求1所述的改进GAN模型的图像生成方法,其特征在于:步骤2中所述预训练改进LeNet模型,具体实现过程是:以卷积神经网络训练的方法训练改进LeNet模型参数,其中参数包括改进LeNet的各层卷积层的权重,获得的效果为各权重达到最优值让模型能够判断图片的真假。
4.根据权利要求1所述的改进GAN模型的图像生成方法,其特征在于:步骤4中所述改进GAN模型的生成模型,包括4组相同的模块,每组模块包括5*5反卷积和1*1卷积,每个反卷积和卷积之后经过经过归一化处理、relu激活函数激活。
5.根据权利要求1-4任意一项所述的改进GAN模型的图像生成方法,其特征在于:步骤7中所述生成模型和判别模型相互竞争,相互促进,具体实现过程是:首先生成模型G接收到随机噪声Z,生成假的样本;然后将生成的样本和原始真实的样本作为判别模型D的输入判断真假;将结果返回给G和D让两个模型,G生成新一批的样本来欺骗D,而D更新参数来更准确的区分真假;两个网络模型相互促进更新,直到最后D生成的样本与真实样本有相同分布,G也无法再区分生成样本与真实样本的真假。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911181133.2A CN111027603B (zh) | 2019-11-27 | 2019-11-27 | 一种改进gan模型的图像生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911181133.2A CN111027603B (zh) | 2019-11-27 | 2019-11-27 | 一种改进gan模型的图像生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027603A true CN111027603A (zh) | 2020-04-17 |
CN111027603B CN111027603B (zh) | 2022-07-05 |
Family
ID=70202510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911181133.2A Active CN111027603B (zh) | 2019-11-27 | 2019-11-27 | 一种改进gan模型的图像生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027603B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100109116A1 (en) * | 2008-11-03 | 2010-05-06 | Samsung Electronics Co., Ltd. | Photoelectric conversion film, photoelectric conversion device and color image sensor having the photoelectric conversion device |
CN107273978A (zh) * | 2017-05-25 | 2017-10-20 | 清华大学 | 一种三模型博弈的产生式对抗网络模型的建立方法及装置 |
CN107403200A (zh) * | 2017-08-10 | 2017-11-28 | 北京亚鸿世纪科技发展有限公司 | 改进图像分割算法结合深度学习的多重不良图片分类方法 |
CN108537742A (zh) * | 2018-03-09 | 2018-09-14 | 天津大学 | 一种基于生成对抗网络的遥感图像全色锐化方法 |
WO2018189728A1 (en) * | 2017-04-14 | 2018-10-18 | Cerebras Systems Inc. | Floating-point unit stochastic rounding for accelerated deep learning |
CN109816030A (zh) * | 2019-01-30 | 2019-05-28 | 河南科技大学 | 一种基于受限玻尔兹曼机的图像分类方法及装置 |
-
2019
- 2019-11-27 CN CN201911181133.2A patent/CN111027603B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100109116A1 (en) * | 2008-11-03 | 2010-05-06 | Samsung Electronics Co., Ltd. | Photoelectric conversion film, photoelectric conversion device and color image sensor having the photoelectric conversion device |
WO2018189728A1 (en) * | 2017-04-14 | 2018-10-18 | Cerebras Systems Inc. | Floating-point unit stochastic rounding for accelerated deep learning |
CN107273978A (zh) * | 2017-05-25 | 2017-10-20 | 清华大学 | 一种三模型博弈的产生式对抗网络模型的建立方法及装置 |
CN107403200A (zh) * | 2017-08-10 | 2017-11-28 | 北京亚鸿世纪科技发展有限公司 | 改进图像分割算法结合深度学习的多重不良图片分类方法 |
CN108537742A (zh) * | 2018-03-09 | 2018-09-14 | 天津大学 | 一种基于生成对抗网络的遥感图像全色锐化方法 |
CN109816030A (zh) * | 2019-01-30 | 2019-05-28 | 河南科技大学 | 一种基于受限玻尔兹曼机的图像分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111027603B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334936B (zh) | 基于迁移卷积神经网络的故障预测方法 | |
CN108665005B (zh) | 一种利用dcgan提高基于cnn图像识别性能的方法 | |
CN111161207B (zh) | 一种集成的卷积神经网络织物疵点分类方法 | |
JP2020508531A (ja) | 画像品質の評価方法及び画像品質の評価システム | |
CN111006865A (zh) | 一种电机轴承故障诊断方法 | |
CN113869208B (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
CN108958217A (zh) | 一种基于深度学习的can总线报文异常检测方法 | |
CN105528638A (zh) | 灰色关联分析法确定卷积神经网络隐层特征图个数的方法 | |
CN116258707A (zh) | 一种基于改进的YOLOv5算法的PCB表面缺陷检测方法 | |
CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、***及介质 | |
CN112766315A (zh) | 一种用于测试人工智能模型鲁棒性的方法和*** | |
CN114022586B (zh) | 一种基于对抗生成网络的缺陷图像生成方法 | |
CN116458894B (zh) | 基于复合型生成对抗网络的心电信号增强与分类方法 | |
CN112884059A (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
CN112288714B (zh) | 基于深度学习的硬件木马检测方法 | |
CN110245602A (zh) | 一种基于深度卷积特征的水下静目标识别方法 | |
CN111368648B (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
CN116843650A (zh) | 融合aoi检测与深度学习的smt焊接缺陷检测方法及*** | |
CN112668698A (zh) | 一种神经网络的训练方法及*** | |
CN117011274A (zh) | 自动化玻璃瓶检测***及其方法 | |
CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
CN111027603B (zh) | 一种改进gan模型的图像生成方法 | |
CN117058716A (zh) | 基于图像预融合的跨域行为识别方法及装置 | |
CN114663658B (zh) | 一种具备跨域迁移能力的小样本aoi表面缺陷检测方法 | |
CN110414586A (zh) | 基于深度学习的防伪标签验伪方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |