基于子样本集构建的DCGANs训练方法

深度卷积生成式对抗网络(Deep convolutional generative adversarial networks,DCGANs)是一种改进的生成式对抗网络,尽管生成图像效果比传统GANs有较大提升,但在训练方法上依然存在改进的空间.本文提出了一种基于训练图像子样本集构建的DCGANs训练方法.推导给出了DCGANs的生成样本、子样本与总体样本的统计分布关系,结果表明子样本集分布越趋近于总体样本集,则生成样本集也越接近总体样本集.设计了基于样本一阶颜色矩和清晰度的特征空间的子样本集构建方法,通过改进的按概率抽样方法使得构建的子样本集之间近似独立同分布并且趋近于总体样本集分布.为验证本文方法效果,利用卡通人脸图像和Cifar10图像集,对比分析本文构建子样本集与随机选取样本的DCGANs训练方法以及其他训练策略实验结果.结果表明,在Batchsize约为2000的条件下,测试误差、KL距离、起始分数指标有所提高,从而得到更好的生成图像.

建筑垃圾堆放点样本集构建与优化研究

为更好地解决手工制作的建筑垃圾堆放点样本集效率低、数据量少,难以支撑基于深度学习的遥感图像目标检测算法训练需求的问题,采用基于像素的遥感分类方法构建建筑垃圾堆放点样本集,在此基础上结合直方图均衡化,CS-LBP算子约束以及迁移学习的方法对Wasserstein生成对抗模型(WGAN)进行优化,实现了样本集扩充。研究结果表明:相对于纯手工制作的样本集,基于像素的遥感分类方法可以显著提升样本集制作的效率;同时,经过WGAN优化后,生成样本模拟了原始数据的颜色与纹理特征分布规律,增加了原始数据的多样性,满足了扩充样本集的需求。