CN110363060B - 基于特征子空间生成对抗网络的小样本目标识别方法 - Google Patents

基于特征子空间生成对抗网络的小样本目标识别方法 Download PDF

Info

Publication number
CN110363060B
CN110363060B CN201910271102.XA CN201910271102A CN110363060B CN 110363060 B CN110363060 B CN 110363060B CN 201910271102 A CN201910271102 A CN 201910271102A CN 110363060 B CN110363060 B CN 110363060B
Authority
CN
China
Prior art keywords
data
feature
training
network
small sample
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.)
Active
Application number
CN201910271102.XA
Other languages
English (en)
Other versions
CN110363060A (zh
Inventor
陈华杰
侯新雨
姚勤炜
张杰豪
韦玉谭
刘栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910271102.XA priority Critical patent/CN110363060B/zh
Publication of CN110363060A publication Critical patent/CN110363060A/zh
Application granted granted Critical
Publication of CN110363060B publication Critical patent/CN110363060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明公开了一种基于特征子空间生成对抗网络的小样本目标识别方法；本发明先获取用于训练生成对抗网络的特征，接着使用重组后的特征数据训练生成对抗网络，再使用训练后的生成对抗网络生成新的特征对小样本数据进行扩充，最后使用扩充后的数据训练目标识别网络。本发明的关键在于使用生成对抗网络数据驱动的特点和较强的模仿能力，模仿对于不同因素导致退化的水下图像的增强策略。利用属性分支和判别分支这种多分支的结构增强学习的综合性和鲁棒性。

Description

基于特征子空间生成对抗网络的小样本目标识别方法
技术领域
本发明属于深度学习领域，涉及一种在特征子空间生成对抗网络的小样本目标识别方法。
背景技术
小样本目标识别是深度学习领域经常遇到的一个问题。基于深度学习的目标识别方法虽然识别准确率高，但在小样本目标识别问题上有较大弱势。因此需要使用生成对抗网络对小样本数据进行扩充。
生成对抗网络(GAN)是由生成网络(G)和判别网络(D)对抗训练的一种网络结构。G网络的目的是使合成的图像尽可能接近真实图像，使D网络难以区分，D网络的目的是区分真实图像和合成图像。GAN已经成功应用于图像风格转换、图像超分辨等相关任务，证明了应用到目标识别领域的可行性。
发明内容
本发明针对现有技术的不足，提供了一种基于特征子空间生成对抗网络的小样本目标识别方法，该方法的生成对抗网络对特征进行生成，更适合用于小样本目标识别任务。
步骤(1)、获取用于训练生成对抗网络的特征
1.1使用分类网络对图像样本数据进行粗训练；
使用卷积神经网络，对图像样本数据进行粗训练，训练后得到权重参数和偏置参数分别为W和B；
1.2使用W和B两组参数将样本映射到特征子空间，得到特征数据；
设小样本数据中共有n张图像，这n张图像样本数据为集合A，其中每一张图像样本为Ak，其中1<k<n；将样本数据通过W和B参数映射到特征子空间的具体方式为
Ck＝WAk+B
其中，Ck为与图像样本Ak对应的特征子空间上的特征数据；C为由所有的特征数据Ck组成的集合；
1.3对特征子空间中的特征数据进行拆分；
设Ck数据一共有x个通道，则将Ck按通道1到通道x进行拆分，每一个Ck特征数据可以拆分为x份,记为Ck1、Ck2……Ckx；
1.4对拆分后的特征数据进行重组；
将拆分后的数据按通道排序进行组合，得到数据集D，其中数据集D中有kx个特征数据；
步骤(2)、使用重组后的特征数据训练生成对抗网络；
步骤(3)、使用训练后的生成对抗网络生成新的特征对小样本数据进行扩充；
步骤(4)、使用扩充后的数据训练目标识别网络。
本发明的有益效果如下：
本发明的关键在于使用生成对抗网络数据驱动的特点和较强的模仿能力，模仿对于不同因素导致退化的水下图像的增强策略。利用属性分支和判别分支这种多分支的结构增强学习的综合性和鲁棒性。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体实施例对本发明做进一步的分析。
如图1所示，本实验将一组采集的舰船目标图像作为训练的样本数据集。在基于特征子空间生成对抗网络的小样目标识别任务中的具体步骤如下：
步骤(1)、获取用于训练生成对抗网络的特征
1.1使用分类网络对图像样本数据进行粗训练。
使用卷积神经网络，对图像样本数据进行粗训练，训练后得到权重参数和偏置参数分别为W和B；
1.2使用W和B两组参数将样本映射到特征子空间，得到特征数据。
设样本数据中共有n张图像，这n张图像样本数据为集合A，其中每一张图像样本为Ak(其中1<k<n,且k∈Z)。将样本数据通过W和B参数映射到特征子空间的具体方式为
Ck＝WAk+B
其中，Ck为与图像样本Ak对应的特征子空间上的特征数据。C为由所以的特征数据Ck组成的集合。
1.3对特征子空间中的特征数据进行拆分。
设Ck数据一共有x个通道，则将Ck按通道1到通道x进行拆分，每一个Ck特征数据可以拆分为x份,记为Ck1、Ck2……Ckx。
1.4对拆分后的特征数据进行重组。
将拆分后的数据进行重新随机组合，得到数据集D，其中数据集D中有kx个特征数据。
步骤(2)、使用重组后的特征数据训练生成对抗网络。
步骤(3)、使用训练后的生成网络生成新的特征对小样本数据进行扩充。
步骤(4)、使用扩充后的数据训练目标识别网络。
上述实施例并非是对于本发明的限制，本发明并非仅限于上述实施例，只要符合本发明要求，均属于本发明的保护范围。

Claims (1)

1.基于特征子空间生成对抗网络的小样本目标识别方法，其特征在于，该方法具体包括以下步骤：
步骤(1)、获取用于训练生成对抗网络的特征
1.1使用分类网络对图像样本数据进行粗训练；
使用卷积神经网络，对图像样本数据进行粗训练，训练后得到权重参数和偏置参数分别为W和B；
1.2使用W和B两组参数将样本映射到特征子空间，得到特征数据；
设小样本数据中共有n张图像，这n张图像样本数据为集合A，其中每一张图像样本为Ak，其中1≤k≤n；将样本数据通过W和B参数映射到特征子空间的具体方式为
Ck＝WAk+B
其中，Ck为与图像样本Ak对应的特征子空间上的特征数据；C为由所有的特征数据Ck组成的集合；
1.3对特征子空间中的特征数据进行拆分；
设Ck数据一共有x个通道，则将Ck按通道1到通道x进行拆分，每一个Ck特征数据可以拆分为x份,记为Ck1、Ck2……Ckx；
1.4对拆分后的特征数据进行重组；
将拆分后的数据按通道排序进行随机组合，得到数据集D，其中数据集D中有kx个特征数据；
步骤(2)、使用重组后的特征数据训练生成对抗网络；
步骤(3)、使用训练后的生成对抗网络生成新的特征对小样本数据进行扩充；
步骤(4)、使用扩充后的数据训练目标识别网络。
CN201910271102.XA 2019-04-04 2019-04-04 基于特征子空间生成对抗网络的小样本目标识别方法 Active CN110363060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910271102.XA CN110363060B (zh) 2019-04-04 2019-04-04 基于特征子空间生成对抗网络的小样本目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910271102.XA CN110363060B (zh) 2019-04-04 2019-04-04 基于特征子空间生成对抗网络的小样本目标识别方法

Publications (2)

Publication Number Publication Date
CN110363060A CN110363060A (zh) 2019-10-22
CN110363060B true CN110363060B (zh) 2021-07-20

Family

ID=68215162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910271102.XA Active CN110363060B (zh) 2019-04-04 2019-04-04 基于特征子空间生成对抗网络的小样本目标识别方法

Country Status (1)

Country Link
CN (1) CN110363060B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989904B (zh) * 2020-09-30 2022-03-25 北京字节跳动网络技术有限公司 风格图像生成方法、模型训练方法、装置、设备和介质
CN112699726B (zh) * 2020-11-11 2023-04-07 中国科学院计算技术研究所数字经济产业研究院 图像增强方法、真伪商品鉴别方法及设备

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197525B (zh) * 2017-11-20 2020-08-11 中国科学院自动化研究所 人脸图像生成方法及装置
CN108121975B (zh) * 2018-01-04 2022-04-19 中科汇通投资控股有限公司 一种联合原始数据和生成数据的人脸识别方法
CN108288072A (zh) * 2018-01-26 2018-07-17 深圳市唯特视科技有限公司 一种基于生成对抗网络的面部表情合成方法
CN108510532B (zh) * 2018-03-30 2022-07-15 西安电子科技大学 基于深度卷积gan的光学和sar图像配准方法
CN109284767B (zh) * 2018-07-23 2021-04-06 天津师范大学 一种基于增广样本和多流层的行人检索方法
CN109214175B (zh) * 2018-07-23 2021-11-16 中国科学院计算机网络信息中心 基于样本特征训练分类器的方法、装置及存储介质
CN109191409B (zh) * 2018-07-25 2022-05-10 北京市商汤科技开发有限公司 图像处理、网络训练方法、装置、电子设备和存储介质
CN109117877A (zh) * 2018-08-02 2019-01-01 南京师范大学 一种基于深度卷积生成对抗网络的黄颡鱼及其套养种识别方法
CN109299701B (zh) * 2018-10-15 2021-12-14 南京信息工程大学 基于gan扩充多人种特征协同选择的人脸年龄估计方法

Also Published As

Publication number Publication date
CN110363060A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110490230A (zh) 基于深度卷积生成对抗网络的水声目标识别方法
CN110363060B (zh) 基于特征子空间生成对抗网络的小样本目标识别方法
JP6976804B2 (ja) 音源分離方法および音源分離装置
Lee et al. Many-to-many voice conversion using conditional cycle-consistent adversarial networks
JP2019056975A (ja) 改良型敵対的生成ネットワーク実現プログラム、改良型敵対的生成ネットワーク実現装置及び学習済モデル生成方法
JP7388495B2 (ja) データ変換学習装置、データ変換装置、方法、及びプログラム
WO2018203549A1 (ja) 信号変更装置、方法、及びプログラム
CN105304078A (zh) 目标声数据训练装置和目标声数据训练方法
CN111341294A (zh) 将文本转换为指定风格语音的方法
CN103077408A (zh) 基于小波神经网络的海底声纳图像转换为声学底质类别方法
EP4105872A3 (en) Data processing method and apparatus
US20230162409A1 (en) System and method for generating images of the same style based on layout
CN111008738B (zh) 基于多模态深度学习的Sn-Bi合金延伸率和抗拉强度的预测方法
Mousa et al. School student’s performance prediction using data mining classification
CN112347910A (zh) 一种基于多模态深度学习的信号指纹识别方法
CN110163855B (zh) 一种基于多路深度卷积神经网络的彩色图像质量评价方法
CN112966429A (zh) 基于WGANs数据增强的非线性工业过程建模方法
Sreenivasulu et al. Implementation of latest machine learning approaches for students grade prediction
Kuznetsov et al. Facial Expressions Analysis for Applications in the Study of Sign Language.
Dolinsky et al. Synthesizing handwritten characters using naturalness learning
KR102456682B1 (ko) 와서스테인 분포를 이용하는 고해상도 3d 포인트 클라우드를 생성을 위한 장치 및 방법
JP4279375B2 (ja) マルチ・ファクタ・データ分析・合成装置
Bhat et al. Transfer Learning Based Automatic Model Creation Tool For Resource Constraint Devices
Bagwari et al. An edge filter based approach of neural style transfer to the image stylization
WO2023166747A1 (ja) 学習データ生成装置、学習データ生成方法、及びプログラム

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