CN107944358A - 一种基于深度卷积对抗网络模型的人脸生成方法 - Google Patents
一种基于深度卷积对抗网络模型的人脸生成方法 Download PDFInfo
- Publication number
- CN107944358A CN107944358A CN201711122611.3A CN201711122611A CN107944358A CN 107944358 A CN107944358 A CN 107944358A CN 201711122611 A CN201711122611 A CN 201711122611A CN 107944358 A CN107944358 A CN 107944358A
- Authority
- CN
- China
- Prior art keywords
- maker
- arbiter
- mrow
- network model
- confrontation network
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度卷积对抗网络模型的人脸生成方法,属于深度学习神经网络领域,包括以下步骤:S1、构造原始生成对抗网络模型;S2、构造深度卷积神经网络充当生成器与判别器;S3、初始化随机噪声,输入生成器中;S4、将人脸图像数据集输入判别器中进行训练;S5、将人脸识别操作得到的损失函数输入生成器进行后续训练。本方法构建的基于人脸识别的原始生成对抗网络模型,通过输入人脸图像数据集,不断提高生成器学习人脸数据分布的能力,从而能够使生成器生成逼真的人脸图像。
Description
技术领域
本发明涉及深度学习神经网络技术领域,具体涉及一种基于深度卷积对抗网络模型的人脸生成方法。
背景技术
生成式对抗网络(Generative Adversarial Network,简称GAN)是由Goodfellow在2014年提出的深度学习框架,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。
在传统的对抗网络模型中,对于输入判别器的数据集没有过多的要求,生成器生成图像的数据分布没有针对性。另外,在网络训练每次迭代的过程中,生成器和判别器的训练次数并没有定量的标准,这使得整个网络的鲁棒性较差,训练效率较为低下。
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,提供一种基于深度卷积对抗网络模型的人脸生成方法。
本发明的目的可以通过采取如下技术方案达到:
一种基于深度卷积对抗网络模型的人脸生成方法,所述的人脸生成方法包括下列步骤:
S1、构造原始生成对抗网络模型,通过生成器生成图像输入至判别器进行网络训练;
S2、构造深度卷积神经网络充当生成器与判别器;
S3、初始化随机噪声,输入生成器中;
S4、将人脸图像数据集输入判别器中进行训练;
S5、将人脸识别操作得到的损失函数输入生成器进行后续训练。
进一步地,所述的步骤S4具体过程如下:
S41、准备人脸图像的数据集;
S42、将生成器生成图像与人脸图像数据集一并输入判别器进行训练;
S43、分析损失函数,调整每次迭代过程中生成器与判别器的训练次数。
进一步地,所述的步骤S43中分析损失函数,调整每次迭代过程中生成器与判别器的训练次数具体如下:
设定生成器的损失函数为A,判别器的损失函数为B,在每次迭代的过程中,若A-B为正,则增加生成器的训练次数,否则增加判别器的训练次数。
进一步地,所述的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,E为取均值的操作符号。
本发明相对于现有技术具有如下的优点及效果:
针对性:本发明根据人脸识别的操作过程,通过准备好人脸图像的数据集,判别器的检测能力有了更强的针对性。同时,通过训练着重训练生成器的能力,判别器成为辅助部分,判别器对人脸识别的能力进一步增强。
附图说明
图1是本发明中原始生成对抗网络通过人脸识别进行训练的整体流程图。
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基于深度卷积对抗网络模型的人脸生成方法,如附图1所示,具体包括下列步骤:
步骤S1、构造原始生成对抗网络模型,通过生成器生成图像输入至判别器进行网络训练。
步骤S2、构造深度卷积神经网络充当生成器与判别器;
不同的卷积核,体现在矩阵数值的不同、行列数的不同。
构造多个卷积核,在处理图像的过程中,不同的卷积核意味着能够在网络训练的过程中学习到生成图像的不同特征。
在传统的对抗网络模型中,对于输入判别器的数据集没有过多的要求,生成器生成图像的数据分布没有针对性。另外,在网络训练每次迭代的过程中,生成器和判别器的训练次数并没有定量的标准,这使得整个网络的鲁棒性较差,训练效率较为低下。而本发明根据人脸识别的操作过程,通过准备好人脸图像的数据集,判别器的检测能力有了更强的针对性。同时,通过训练着重训练生成器的能力,判别器成为辅助部分,判别器对人脸识别的能力进一步增强。在实际应用中,应该根据数据集图像特征的复杂程度,设置卷积核的个数。
步骤S3、初始化随机噪声,输入生成器中。
步骤S4、将人脸图像数据集输入判别器中进行训练。
具体过程如下:
S41、准备人脸图像的数据集;
S42、将生成器生成图像与人脸图像数据集一并输入判别器进行训练;
S43、分析损失函数,调整每次迭代过程中生成器与判别器的训练次数。
设定生成器的损失函数为A,判别器的损失函数为B。在每次迭代的过程中,若A-B为正,则增加生成器的训练次数;否则增加判别器的训练次数。
步骤S5、将人脸识别操作得到的损失函数输入生成器进行后续训练。具体过程如下:
将人脸识别操作得到的损失函数输入生成器进行后续训练。
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,E为取均值的操作符号。
综上所述,本实施例公开了一种基于深度卷积对抗网络模型的人脸生成方法,在传统的对抗网络模型中,对于输入判别器的数据集没有过多的要求,生成器生成图像的数据分布没有针对性。另外,在网络训练每次迭代的过程中,生成器和判别器的训练次数并没有定量的标准,这使得整个网络的鲁棒性较差,训练效率较为低下。而本发明根据人脸识别的操作过程,通过准备好人脸图像的数据集,判别器的检测能力有了更强的针对性。同时,通过训练着重训练生成器的能力,判别器成为辅助部分,判别器对人脸识别的能力进一步增强。在实际应用中,应该根据数据集图像特征的复杂程度,设置卷积核的个数。
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 (4)
1.一种基于深度卷积对抗网络模型的人脸生成方法,其特征在于,所述的人脸生成方法包括下列步骤:
S1、构造原始生成对抗网络模型,通过生成器生成图像输入至判别器进行网络训练;
S2、构造深度卷积神经网络充当生成器与判别器;
S3、初始化随机噪声,输入生成器中;
S4、将人脸图像数据集输入判别器中进行训练;
S5、将人脸识别操作得到的损失函数输入生成器进行后续训练。
2.根据权利要求1所述的一种基于深度卷积对抗网络模型的人脸生成方法,其特征在于,所述的步骤S4具体过程如下:
S41、准备人脸图像的数据集;
S42、将生成器生成图像与人脸图像数据集一并输入判别器进行训练;
S43、分析损失函数,调整每次迭代过程中生成器与判别器的训练次数。
3.根据权利要求2所述的一种基于深度卷积对抗网络模型的人脸生成方法,其特征在于,所述的步骤S43中分析损失函数,调整每次迭代过程中生成器与判别器的训练次数具体如下:
设定生成器的损失函数为A,判别器的损失函数为B,在每次迭代的过程中,若A-B为正,则增加生成器的训练次数,否则增加判别器的训练次数。
4.根据权利要求1所述的一种基于深度卷积对抗网络模型的人脸生成方法,其特征在于,所述的损失函数的表达式为:
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>x</mi>
<mo>~</mo>
<mi>p</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>&lsqb;</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>x</mi>
<mo>~</mo>
<mi>p</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>&lsqb;</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<msub>
<mi>&lambda;E</mi>
<mrow>
<mi>x</mi>
<mo>~</mo>
<mi>X</mi>
</mrow>
</msub>
<msub>
<mo>&dtri;</mo>
<mi>x</mi>
</msub>
</mrow>
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,E为取均值的操作符号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711122611.3A CN107944358A (zh) | 2017-11-14 | 2017-11-14 | 一种基于深度卷积对抗网络模型的人脸生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711122611.3A CN107944358A (zh) | 2017-11-14 | 2017-11-14 | 一种基于深度卷积对抗网络模型的人脸生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107944358A true CN107944358A (zh) | 2018-04-20 |
Family
ID=61934078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711122611.3A Pending CN107944358A (zh) | 2017-11-14 | 2017-11-14 | 一种基于深度卷积对抗网络模型的人脸生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944358A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596149A (zh) * | 2018-05-10 | 2018-09-28 | 上海交通大学 | 基于条件对抗生成网络的运动序列生成方法 |
CN108596141A (zh) * | 2018-05-08 | 2018-09-28 | 深圳大学 | 一种深度网络生成人脸图像的检测方法及系统 |
CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN109871898A (zh) * | 2019-02-27 | 2019-06-11 | 南京中设航空科技发展有限公司 | 一种利用生成对抗网络生成堆积物训练样本的方法 |
CN110119685A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 一种基于dcgan的红外人脸图像转化方法 |
CN110598843A (zh) * | 2019-07-23 | 2019-12-20 | 中国人民解放军63880部队 | 一种基于判别器共享的生成对抗网络组织结构及其训练方法 |
CN110706713A (zh) * | 2019-10-28 | 2020-01-17 | 维沃移动通信有限公司 | 一种人脸图像生成方法及电子设备 |
CN111414928A (zh) * | 2019-01-07 | 2020-07-14 | 中国移动通信有限公司研究院 | 一种人脸图像数据生成方法、装置及设备 |
CN111723851A (zh) * | 2020-05-30 | 2020-09-29 | 同济大学 | 一种生产线故障检测方法 |
CN113689527A (zh) * | 2020-05-15 | 2021-11-23 | 武汉Tcl集团工业研究院有限公司 | 一种人脸转换模型的训练方法、人脸图像转换方法 |
CN115049565A (zh) * | 2022-08-12 | 2022-09-13 | 国仪量子(合肥)技术有限公司 | 训练方法、训练装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
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 |
CN107292813A (zh) * | 2017-05-17 | 2017-10-24 | 浙江大学 | 一种基于生成对抗网络的多姿态人脸生成方法 |
CN107330444A (zh) * | 2017-05-27 | 2017-11-07 | 苏州科技大学 | 一种基于生成对抗网络的图像自动文本标注方法 |
-
2017
- 2017-11-14 CN CN201711122611.3A patent/CN107944358A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
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 |
CN107292813A (zh) * | 2017-05-17 | 2017-10-24 | 浙江大学 | 一种基于生成对抗网络的多姿态人脸生成方法 |
CN107330444A (zh) * | 2017-05-27 | 2017-11-07 | 苏州科技大学 | 一种基于生成对抗网络的图像自动文本标注方法 |
Non-Patent Citations (1)
Title |
---|
ISHAAN GULRAJANI等: "Improved Training of Wasserstein GANs", 《MARCHINE LEARNING》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN108596141B (zh) * | 2018-05-08 | 2022-05-17 | 深圳大学 | 一种深度网络生成人脸图像的检测方法及系统 |
CN108596141A (zh) * | 2018-05-08 | 2018-09-28 | 深圳大学 | 一种深度网络生成人脸图像的检测方法及系统 |
CN108596149A (zh) * | 2018-05-10 | 2018-09-28 | 上海交通大学 | 基于条件对抗生成网络的运动序列生成方法 |
CN111414928A (zh) * | 2019-01-07 | 2020-07-14 | 中国移动通信有限公司研究院 | 一种人脸图像数据生成方法、装置及设备 |
CN109871898A (zh) * | 2019-02-27 | 2019-06-11 | 南京中设航空科技发展有限公司 | 一种利用生成对抗网络生成堆积物训练样本的方法 |
CN110119685A (zh) * | 2019-04-12 | 2019-08-13 | 天津大学 | 一种基于dcgan的红外人脸图像转化方法 |
CN110598843A (zh) * | 2019-07-23 | 2019-12-20 | 中国人民解放军63880部队 | 一种基于判别器共享的生成对抗网络组织结构及其训练方法 |
CN110598843B (zh) * | 2019-07-23 | 2023-12-22 | 中国人民解放军63880部队 | 一种基于判别器共享的生成对抗网络组织结构的训练方法 |
CN110706713A (zh) * | 2019-10-28 | 2020-01-17 | 维沃移动通信有限公司 | 一种人脸图像生成方法及电子设备 |
CN113689527A (zh) * | 2020-05-15 | 2021-11-23 | 武汉Tcl集团工业研究院有限公司 | 一种人脸转换模型的训练方法、人脸图像转换方法 |
CN111723851A (zh) * | 2020-05-30 | 2020-09-29 | 同济大学 | 一种生产线故障检测方法 |
CN115049565A (zh) * | 2022-08-12 | 2022-09-13 | 国仪量子(合肥)技术有限公司 | 训练方法、训练装置、电子设备和存储介质 |
CN115049565B (zh) * | 2022-08-12 | 2022-11-08 | 国仪量子(合肥)技术有限公司 | 训练方法、训练装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944358A (zh) | 一种基于深度卷积对抗网络模型的人脸生成方法 | |
CN107862377A (zh) | 一种基于文本‑图像生成对抗网络模型的分组卷积方法 | |
Pan et al. | VCRNet: Visual compensation restoration network for no-reference image quality assessment | |
Kobler et al. | Variational networks: connecting variational methods and deep learning | |
CN107016406A (zh) | 基于生成式对抗网络的病虫害图像生成方法 | |
CN107886169A (zh) | 一种基于文本‑图像生成对抗网络模型的多尺度卷积核方法 | |
CN107590518A (zh) | 一种多特征学习的对抗网络训练方法 | |
Ma et al. | PID controller-guided attention neural network learning for fast and effective real photographs denoising | |
CN107590531A (zh) | 一种基于文本生成的wgan方法 | |
CN107944546A (zh) | 一种基于原始生成对抗网络模型的残差网络方法 | |
CN108229646A (zh) | 神经网络模型压缩方法、装置、存储介质和电子设备 | |
CN108021916A (zh) | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 | |
CN106845421A (zh) | 基于多区域特征与度量学习的人脸特征识别方法及系统 | |
CN107506712A (zh) | 一种基于3d深度卷积网络的人类行为识别的方法 | |
CN108921123A (zh) | 一种基于双重数据增强的人脸识别方法 | |
CN107066583A (zh) | 一种基于紧凑双线性融合的图文跨模态情感分类方法 | |
CN108334816A (zh) | 基于轮廓对称约束生成式对抗网络的多姿态人脸识别方法 | |
CN109196526A (zh) | 用于生成多模态数字图像的方法和系统 | |
CN108009568A (zh) | 一种基于wgan模型的行人检测方法 | |
CN108205659A (zh) | 人脸遮挡物去除及其模型构建的方法、设备及介质 | |
CN109003678A (zh) | 一种仿真文本病历的生成方法及系统 | |
CN108021979A (zh) | 一种基于原始生成对抗网络模型的特征重标定卷积方法 | |
CN107784630B (zh) | 对人脸图像进行属性翻转的方法、装置和终端 | |
CN108985464A (zh) | 基于信息最大化生成对抗网络的人脸连续特征生成方法 | |
CN107992944A (zh) | 一种基于原始生成对抗网络模型的多尺度卷积方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |