CN107563995A - 一种多判别器误差反传的对抗网络方法 - Google Patents
一种多判别器误差反传的对抗网络方法 Download PDFInfo
- Publication number
- CN107563995A CN107563995A CN201710690217.3A CN201710690217A CN107563995A CN 107563995 A CN107563995 A CN 107563995A CN 201710690217 A CN201710690217 A CN 201710690217A CN 107563995 A CN107563995 A CN 107563995A
- Authority
- CN
- China
- Prior art keywords
- arbiter
- models
- confrontation network
- training
- loss function
- 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.)
- Pending
Links
Abstract
本发明公开了一种多判别器误差反传的对抗网络方法,属于深度学习神经网络领域,该模型的建立包括以下步骤:S1、构造生成对抗网络GAN模型;S2、在现有GAN模型的基础上构造多个判别器;S3、准备好数据集对改进之后的多判别器网络进行训练;S4、在每次训练的过程中,记录所有判别器的损失函数;S5、计算所有判别器损失函数的平均值,返回至生成器进行后续的网络训练。本方法能够解决在网络训练的过程中,由于判别器单一而导致的网络健壮性差的问题,并构造多个判别器的生成对抗网络,能够从更加客观的角度去评判生成器生成图像的“真假”,从而使整个生成对抗网络的训练效果更好。
Description
技术领域
本发明涉及深度学习神经网络技术领域,具体涉及一种多判别器误差反传的对抗网络方法。
背景技术
生成式对抗网络(Generative Adversarial Network,简称GAN)是由Goodfellow在2014年提出的框架,它基于“博奕论”的思想,构造生成器(generator)和判别器(discriminator)两种模型,前者通过输入(0,1)的均匀噪声或高斯随机噪声生成图像,后者对输入的图像进行判别,确定是来自数据集的图像还是由生成器产生的图像。判别器每完成一次判断,将结果误差返回给生成器。
然而,原始的GAN模型中,判别器的数量只有一个,这就意味着,生成器生成图像真假与否的判决,只取决于这一个判别器。这种情况下所产生的结果是,如果判别器对生成器生成图像的判断有所偏差,则会影响整个网络训练的精确度和速度。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,构建了一种多判别器误差反传的对抗网络方法,该对抗网络方法能够通过多个判别器共同判断的角度,对整个网络的训练提供更多的可靠性。它改变了以往判别生成图像只通过一个判别器做出决定的局面,创造性地提出了多个判别器协同工作的网络训练算法,能够避免原有GAN模型对生成图像判断的单一性,能够从更加客观的角度去评判生成器的生成图像,从而使整个网络的训练更加稳定。
本发明的目的可以通过采取如下技术方案达到:
一种多判别器误差反传的对抗网络方法,所述动态调整算法包括下列步骤:
S1、构造生成对抗网络GAN模型,模型包含生成器和判别器;
S2、在现有GAN模型的基础上构造多个判别器;
S3、准备好数据集对改进之后的多判别器网络进行训练;
S4、在每次训练的过程中,记录所有判别器的损失函数;
S5、计算所有判别器损失函数的平均值,返回至生成器进行后续的网络训练。
进一步地,所述的步骤S2具体如下:
在原有GAN模型的基础上,复制多个判别器,分别同时接收来自生成器的生成图像和来自数据集的真实图像。
进一步地,所述的步骤S3中准备好数据集对改进之后的多判别器网络进行训练,过程如下:
S31、根据判别器的数量,选定数据集中的同等数量的真实图像;
S32、将互不相同的来自数据集中的真实图像,输入判别器中进行训练。
进一步地,所述的步骤S4中在每次训练的过程中,记录所有判别器的损失函数,过程如下:
S41、将数据集中的图像输入判别器中进行训练;
S42、记录每一个判别器在每次迭代之后的损失函数。
进一步地,所述的步骤S5中,计算所有判别器损失函数的平均值,返回至生成器进行后续的网络训练,过程如下:
S51、计算所有判别器在每次迭代之后的损失函数之和;
S52、根据判别器数量的大小,对求和之后的损失函数求平均操作;
S53、将求平均之后的损失函数返回至生成器中继续进行网络训练。
本发明相对于现有技术具有如下的优点及效果:
1.客观性:本发明在原始GAN模型的基础之上,提出了多个判别器同时接收生成器生成图像的结构,从多个不同的角度对生成图像进行判决,增强了网络训练的客观性;
2.稳定性:本发明所构建的多判别器误差反传的对抗网络算法,能够从多个判别器的角度对生成图像进行判断,相对于原始模型的损失函数,本发明提出的均值损失函数能够根据多个判别器的结构对生成图像进行修正,更具有可行性,从而使整个网络的训练更加稳定。
附图说明
图1是多判别器误差反传的网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
本实施例公开了一种多判别器误差反传的对抗网络方法,具体包括下列步骤:
步骤S1、构造生成对抗网络GAN模型,模型包含生成器和判别器;
步骤S2、在现有GAN模型的基础上构造多个判别器;
步骤S3、准备好数据集对改进之后的多判别器网络进行训练。
根据判别器的数量,选定数据集中的同等数量的真实图像,将互不相同的来自数据集中的真实图像,输入判别器中进行训练。这样的训练方法产生的结果是,不同的判别器由于接收了数据集中的不同真实图像,在经过训练之后,每个判别器的参数权重也是不同的。利用多个不同参数权重的判别器对生成图像进行判断,角度更加客观,网络的训练也更加稳定。
步骤S4、在每次训练的过程中,记录所有判别器的损失函数。
具体方法如下:
S41、将数据集中的图像输入判别器中进行训练;
S42、记录每一个判别器在每次迭代之后的损失函数。
接下来,介绍损失函数的意义及具体表达形式。
在统计学,统计决策理论和经济学中,损失函数是指一种将一个事件(在一个样本空间中的一个元素)映射到一个表达与其事件相关的经济成本或机会成本的实数上的一种函数。更通俗地说,在统计学中损失函数是一种衡量损失和错误(这种损失与“错误地”估计有关,如费用或者设备的损失)程度的函数。因此,在本专利中,损失函数的作用是衡量判别器对生成图像判断的能力。损失函数的值越小,说明在当前迭代中,判别器能够有较好的性能辨别生成器的生成图像;反之则说明判别器的性能较差。
损失函数的表达式为:
其中,D(x)表示判别器对图像的判别,pr表示数据集图像的分布,pg表示生成图像的分布,λ为超参数,为梯度。
步骤S5、计算所有判别器损失函数的平均值,返回至生成器进行后续的网络训练。具体如下:
S51、计算所有判别器在每次迭代之后的损失函数之和;
S52、根据判别器数量的大小,对求和之后的损失函数求平均操作;
S53、将求平均之后的损失函数返回至生成器中继续进行网络训练。
在传统的对抗网络模型中,只有一个生成器和一个判别器,即只存在一个损失函数。在这种情况下,判别器给出的辨别结果不能够客观地反映对抗网络的性能。若采用多个判别器,同时结合求损失函数平均值的方法,综合了多个判别器的判别结果,能够从更别客观的角度反映判别的结果,从而有利于整个对抗网络以更加快速的效率、更加准确的方向进行训练。
综上所述,本实施例公开了一种多判别器误差反传的对抗网络方法,提出了多个判别器协同工作的网络训练算法,能够避免原有GAN模型对生成图像判断的单一性,能够从更加客观的角度去评判生成器的生成图像,从而使整个网络的训练更加稳定。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种多判别器误差反传的对抗网络方法,其特征在于,所述的动态调整算法包括下列步骤:
S1、构造生成对抗网络GAN模型,模型包含生成器和判别器;
S2、在现有GAN模型的基础上构造多个判别器;
S3、准备好数据集对改进之后的多判别器网络进行训练;
S4、在每次训练的过程中,记录所有判别器的损失函数;
S5、计算所有判别器损失函数的平均值,返回至生成器进行后续的网络训练。
2.根据权利要求1所述的一种多判别器误差反传的对抗网络方法,其特征在于,所述的步骤S2具体如下:
在原有GAN模型的基础上,复制多个判别器,分别同时接收来自生成器的生成图像和来自数据集的不同的真实图像。
3.根据权利要求1所述的一种多判别器误差反传的对抗网络方法,其特征在于,所述的步骤S3具体如下:
S31、根据判别器的数量,选定数据集中的同等数量的真实图像;
S32、将互不相同的来自数据集中的真实图像,输入判别器中进行训练。
4.根据权利要求1所述的一种多判别器误差反传的对抗网络方法,其特征在于,所述的步骤S4具体如下:
S41、将数据集中的图像输入判别器中进行训练;
S42、记录每一个判别器在每次迭代之后的损失函数。
5.根据权利要求1所述的一种多判别器误差反传的对抗网络方法,其特征在于,所述的步骤S5具体如下:
S51、计算所有判别器在每次迭代之后的损失函数之和;
S52、根据判别器数量的大小,对求和之后的损失函数求平均操作;
S53、将求平均之后的损失函数返回至生成器中继续进行网络训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710690217.3A CN107563995A (zh) | 2017-08-14 | 2017-08-14 | 一种多判别器误差反传的对抗网络方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710690217.3A CN107563995A (zh) | 2017-08-14 | 2017-08-14 | 一种多判别器误差反传的对抗网络方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107563995A true CN107563995A (zh) | 2018-01-09 |
Family
ID=60973815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710690217.3A Pending CN107563995A (zh) | 2017-08-14 | 2017-08-14 | 一种多判别器误差反传的对抗网络方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563995A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389173A (zh) * | 2018-03-24 | 2018-08-10 | 厦门大学嘉庚学院 | 一种基于机会成本的参数优化方法 |
CN108460720A (zh) * | 2018-02-01 | 2018-08-28 | 华南理工大学 | 一种基于生成对抗网络模型改变图像风格的方法 |
CN108564119A (zh) * | 2018-04-04 | 2018-09-21 | 华中科技大学 | 一种任意姿态行人图片生成方法 |
CN108615073A (zh) * | 2018-04-28 | 2018-10-02 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
CN108648135A (zh) * | 2018-06-01 | 2018-10-12 | 深圳大学 | 隐藏模型训练及使用方法、装置和计算机可读存储介质 |
CN108810551A (zh) * | 2018-06-20 | 2018-11-13 | Oppo(重庆)智能科技有限公司 | 一种视频帧预测方法、终端及计算机存储介质 |
CN109064423A (zh) * | 2018-07-23 | 2018-12-21 | 福建帝视信息科技有限公司 | 一种基于非对称循环生成对抗损失的智能修图方法 |
CN109493308A (zh) * | 2018-11-14 | 2019-03-19 | 吉林大学 | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 |
CN110232658A (zh) * | 2018-03-05 | 2019-09-13 | 北京大学 | 图像去雨方法、系统、计算机设备及介质 |
CN110335299A (zh) * | 2019-04-28 | 2019-10-15 | 厦门大学 | 一种基于对抗网络的单目深度估计系统实现方法 |
CN110399712A (zh) * | 2019-07-31 | 2019-11-01 | 网易(杭州)网络有限公司 | 基于验证码的交互验证方法、装置、介质和计算设备 |
CN111033532A (zh) * | 2019-11-26 | 2020-04-17 | 驭势(上海)汽车科技有限公司 | 生成对抗网络的训练方法和系统、电子设备和存储介质 |
CN111241571A (zh) * | 2018-11-28 | 2020-06-05 | 创新工场(北京)企业管理股份有限公司 | 一种数据共享方法及模型、存储介质 |
CN111260652A (zh) * | 2020-01-09 | 2020-06-09 | 浙江传媒学院 | 一种基于mimo-gan的图像生成系统和方法 |
CN112102928A (zh) * | 2020-09-02 | 2020-12-18 | 上海壁仞智能科技有限公司 | 病理图像染色风格归一化方法及装置 |
WO2021014551A1 (ja) * | 2019-07-23 | 2021-01-28 | 日本電信電話株式会社 | 学習システム、学習方法、収集装置および収集プログラム |
WO2021159814A1 (zh) * | 2020-09-28 | 2021-08-19 | 平安科技(深圳)有限公司 | 文本数据的错误检测方法、装置、终端设备及存储介质 |
WO2021174935A1 (zh) * | 2020-03-03 | 2021-09-10 | 平安科技(深圳)有限公司 | 对抗生成神经网络的训练方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845471A (zh) * | 2017-02-20 | 2017-06-13 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的视觉显著性预测方法 |
CN106951919A (zh) * | 2017-03-02 | 2017-07-14 | 浙江工业大学 | 一种基于对抗生成网络的流速监测实现方法 |
CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
-
2017
- 2017-08-14 CN CN201710690217.3A patent/CN107563995A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845471A (zh) * | 2017-02-20 | 2017-06-13 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的视觉显著性预测方法 |
CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
CN106951919A (zh) * | 2017-03-02 | 2017-07-14 | 浙江工业大学 | 一种基于对抗生成网络的流速监测实现方法 |
Non-Patent Citations (2)
Title |
---|
IAN J. GOODFELLOW 等: "Generative Adversarial Nets", 《ARXIV》 * |
ISHAN DURUGKAR 等: "GENERATIVE MULTI-ADVERSARIAL NETWORKS", 《ARXIV》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460720A (zh) * | 2018-02-01 | 2018-08-28 | 华南理工大学 | 一种基于生成对抗网络模型改变图像风格的方法 |
CN110232658A (zh) * | 2018-03-05 | 2019-09-13 | 北京大学 | 图像去雨方法、系统、计算机设备及介质 |
CN108389173B (zh) * | 2018-03-24 | 2021-08-31 | 厦门大学嘉庚学院 | 一种基于机会成本的参数优化方法 |
CN108389173A (zh) * | 2018-03-24 | 2018-08-10 | 厦门大学嘉庚学院 | 一种基于机会成本的参数优化方法 |
CN108564119B (zh) * | 2018-04-04 | 2020-06-05 | 华中科技大学 | 一种任意姿态行人图片生成方法 |
CN108564119A (zh) * | 2018-04-04 | 2018-09-21 | 华中科技大学 | 一种任意姿态行人图片生成方法 |
CN108615073A (zh) * | 2018-04-28 | 2018-10-02 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
CN108615073B (zh) * | 2018-04-28 | 2020-11-03 | 京东数字科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
CN108648135A (zh) * | 2018-06-01 | 2018-10-12 | 深圳大学 | 隐藏模型训练及使用方法、装置和计算机可读存储介质 |
CN108648135B (zh) * | 2018-06-01 | 2022-05-27 | 深圳大学 | 隐藏模型训练及使用方法、装置和计算机可读存储介质 |
CN108810551A (zh) * | 2018-06-20 | 2018-11-13 | Oppo(重庆)智能科技有限公司 | 一种视频帧预测方法、终端及计算机存储介质 |
CN109064423A (zh) * | 2018-07-23 | 2018-12-21 | 福建帝视信息科技有限公司 | 一种基于非对称循环生成对抗损失的智能修图方法 |
CN109064423B (zh) * | 2018-07-23 | 2022-04-08 | 福建帝视信息科技有限公司 | 一种基于非对称循环生成对抗损失的智能修图方法 |
CN109493308A (zh) * | 2018-11-14 | 2019-03-19 | 吉林大学 | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 |
CN111241571A (zh) * | 2018-11-28 | 2020-06-05 | 创新工场(北京)企业管理股份有限公司 | 一种数据共享方法及模型、存储介质 |
CN110335299A (zh) * | 2019-04-28 | 2019-10-15 | 厦门大学 | 一种基于对抗网络的单目深度估计系统实现方法 |
CN110335299B (zh) * | 2019-04-28 | 2021-08-13 | 厦门大学 | 一种基于对抗网络的单目深度估计系统实现方法 |
WO2021014551A1 (ja) * | 2019-07-23 | 2021-01-28 | 日本電信電話株式会社 | 学習システム、学習方法、収集装置および収集プログラム |
CN110399712A (zh) * | 2019-07-31 | 2019-11-01 | 网易(杭州)网络有限公司 | 基于验证码的交互验证方法、装置、介质和计算设备 |
CN110399712B (zh) * | 2019-07-31 | 2022-03-22 | 杭州网易智企科技有限公司 | 基于验证码的交互验证方法、装置、介质和计算设备 |
CN111033532A (zh) * | 2019-11-26 | 2020-04-17 | 驭势(上海)汽车科技有限公司 | 生成对抗网络的训练方法和系统、电子设备和存储介质 |
CN111033532B (zh) * | 2019-11-26 | 2024-04-02 | 驭势(上海)汽车科技有限公司 | 生成对抗网络的训练方法和系统、电子设备和存储介质 |
CN111260652A (zh) * | 2020-01-09 | 2020-06-09 | 浙江传媒学院 | 一种基于mimo-gan的图像生成系统和方法 |
CN111260652B (zh) * | 2020-01-09 | 2023-09-08 | 浙江传媒学院 | 一种基于mimo-gan的图像生成系统和方法 |
WO2021174935A1 (zh) * | 2020-03-03 | 2021-09-10 | 平安科技(深圳)有限公司 | 对抗生成神经网络的训练方法及系统 |
CN112102928B (zh) * | 2020-09-02 | 2022-11-01 | 上海壁仞智能科技有限公司 | 病理图像染色风格归一化方法及装置 |
CN112102928A (zh) * | 2020-09-02 | 2020-12-18 | 上海壁仞智能科技有限公司 | 病理图像染色风格归一化方法及装置 |
WO2021159814A1 (zh) * | 2020-09-28 | 2021-08-19 | 平安科技(深圳)有限公司 | 文本数据的错误检测方法、装置、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563995A (zh) | 一种多判别器误差反传的对抗网络方法 | |
US10803762B2 (en) | Body-motion assessment device, dance assessment device, karaoke device, and game device | |
CN107545245A (zh) | 一种年龄估计方法及设备 | |
CN109727246A (zh) | 一种基于孪生网络的对比学习图像质量评估方法 | |
CN108428227A (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
CN109410190B (zh) | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 | |
CN110147745A (zh) | 一种视频关键帧检测方法及装置 | |
CN109919252A (zh) | 利用少数标注图像生成分类器的方法 | |
WO2022095386A1 (zh) | 在线培训的评价方法、装置、计算机设备和存储介质 | |
CN107396095A (zh) | 一种无参考三维图像质量评价方法 | |
CN109657600A (zh) | 一种视频区域移除篡改检测方法和装置 | |
CN109272044A (zh) | 一种图像相似度确定方法、装置、设备及存储介质 | |
CN111160229A (zh) | 基于ssd网络的视频目标检测方法及装置 | |
CN108009568A (zh) | 一种基于wgan模型的行人检测方法 | |
CN105895089A (zh) | 一种语音识别方法及装置 | |
CN111860101A (zh) | 一种人脸关键点检测模型的训练方法及装置 | |
CN112365007A (zh) | 模型参数确定方法、装置、设备及存储介质 | |
CN113269256A (zh) | 一种MiSrc-GAN模型的构建方法及应用 | |
CN108021693A (zh) | 一种图像检索方法和装置 | |
Pecev et al. | A system for deductive prediction and analysis of movement of basketball referees | |
CN113420833B (zh) | 一种基于问题语义映射的视觉问答方法及装置 | |
CN110147837A (zh) | 基于特征聚焦的任意方向密集目标检测方法、系统及设备 | |
CN104506852B (zh) | 一种面向视频会议编码的客观质量评估方法 | |
CN107220605B (zh) | 一种基于图像结构相似度的烟雾浓度测量方法和系统 | |
CN105491371A (zh) | 基于梯度幅值相似性的色调映射图像质量评价方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |
|
RJ01 | Rejection of invention patent application after publication |