1.基于条件对抗自编码网络的特征学习方法,其包括以下步骤:S1:选定训练集;
S2:选定先验分布函数;
S3:以对抗自编码网络模型为基础构建网络模型;
S4:训练所述网络模型,以优化所述网络模型中的参数;
S5:通过训练好的所述网络模型中的判别器进行数据特征的提取、或者利用训练好的生成器生成原始输入的重构;
其特征在于:
步骤S3中构建的、以对抗自编码网络模型为基础的所述网络模型为基于条件对抗自编码网络模型,其在网络模型中的判别器或者编码器的输入数据中引入样本数据的标签信息,使所述基于条件对抗自编码网络模型的判别能力得到提高。
2.根据权利要求1所述基于条件对抗自编码网络的特征学习方法,其特征在于:所述基于条件对抗自编码网络模型为基于隐变量分布拟合的条件对抗自编码网络,其在所述判别器中融合所述样本数据的标签信息,所述样本数据的标签信息结合在步骤S2中选定的作为正样本的所述先验分布函数、以及通过隐含层提取的作为负样本的真实样本的数据编码特征一起作为所述判别器的输入。
3.根据权利要求1所述基于条件对抗自编码网络的特征学习方法,其特征在于:所述基于条件对抗自编码网络模型为基于样本的条件对抗自编码网络,其在所述编码器中融合所述样本数据的标签信息,所述样本数据的标签信息结合在步骤S2中选定的所述先验分布函数一起作为所述编码器的输入。
4.根据权利要求3所述基于条件对抗自编码网络的特征学习方法,其特征在于:所述基于样本的条件对抗自编码网络中,通过所述隐含层生成伪训练样本,所述伪训练样本作为负样本、通过训练数据生成的真实样本作为正样本输入到所述判别器中,所述判别器从输入的所述伪训练样本和所述真实样本中判断真实来源;所述解码器对所述隐含层进行解码,将所述伪训练样本还原至给定的所述先验分布函数和所述样本数据的标签信息。
5.根据权利要求1所述基于条件对抗自编码网络的特征学习方法,其特征在于:步骤S4中所述训练过程包括如下步骤:S4-1:确定训练迭代次数;
S4-2:从所述训练集中采样,得到小批量的训练样本{x(1),……x(m)};
S4-3:根据下面公式1利用梯度法更新所述编码器和所述解码器的网络参数θAe与θAd;
S4-4:根据下面的公式2利用梯度法更新所述编码器的网络参数θAe;
S4-5:根据下面的公式3利用梯度法更新所述判别器的网络参数θd;
S4-6:重复步骤S4-2至S4-5,直至重复次数等于所述训练迭代次数;
上述各式中,
E(•)表示期望,
pdata(•)表示服从真实样本的数据分布,
p(z)表示服从随机本分布的数据分布,
z为输入的随机变量,
x表示输入的样本,
D表示判别器。
6.根据权利要求2所述基于条件对抗自编码网络的特征学习方法,其特征在于:所述基于隐变量分布拟合的条件对抗自编码网络中的所述编码器和所述解码器分别包括下面四种组合:全连接层、全连接层,全连接层、反卷积层,卷积层、全连接层,卷积层、反卷积层。
7.根据权利要求2所述基于条件对抗自编码网络的特征学习方法,其特征在于:所述基于隐变量分布拟合的条件对抗自编码网络中的所述编码器包括依次连接的对输入向量进行矢量化操作的卷积层结构、矢量化层、全连接层,每个卷积层结构包括卷积层及其后面依次跟着BatchNorm层、激活函数、下采样;所述解码器包括依次连接的全连接层、逆矢量化层、反卷积层结构,每个反卷积层结构包括反卷积层及其后面依次跟着的BatchNorm层、所述激活函数、上采样;所述判别器包括全连接层;每个全连接层后面都跟着所述激活函数。
8.根据权利要求3所述基于条件对抗自编码网络的特征学习方法,其特征在于:所述基于样本的条件对抗自编码网络的所述编码器包括全连接层;所述解码器包括全连接层;所述判别器包括依次连接的卷积层结构、矢量化层、全连接层,每个所述卷积层结构包括卷积层及其后面跟着BatchNorm层、激活函数、下采样;每个全连接层后面都跟着所述激活函数。
9.根据权利要求7或8所述基于条件对抗自编码网络的特征学习方法,其特征在于:所述激活函数为Rectified Linear Units函数;所述卷积层和所述反卷积层的卷积核的尺寸全部设置为3×3。
10.根据权利要求1~8任一项所述的基于条件对抗自编码网络的特征学习方法的图像识别方法,其包括以下步骤:步骤1. 构建网络模型;
步骤2. 选定数据集、先验分布函数,训练所述网络模型;
步骤3. 将待识别图像数据输入到训练好的所述网络模型中,利用判别器进行图像分类识别;
其特征在于:
步骤1中所述网络模型为基于条件对抗自编码网络模型,在所述网络模型的所述判别器或编码器中融合所述样本数据的标签信息,用以完成更有效的识别图像数据。