1.一种基于DCGAN和GCN的多标签识别算法,其特征是,包括:
基于GAN模型构建DCGAN模型,基于DCGAN模型生成相似图像;
基于DCGAN模型生成相似图像,使用基于迁移的CNN算法提取特征,将DCGAN模型的神经网络的参数迁移到CNN算法中对多标签图像进行特征提取,利用GCN算法通过训练标签之间的关系图生成类别标签分类器;
基于GCN算法的生成类别标签分类器,对多标签图像分类识别,将CNN算法提取的特征与GCN算法生成的类别分类器中的语义特征向量矩阵做点乘后,用多标签分类器对图像进行识别;
所述基于迁移的CNN算法提取特征,包括将DCGAN算法中生成器的神经网络的参数迁移到CNN算法中对新合并的训练集中的多标签图像进行特征提取,利用算法在输入训练集计算损失函数后的反向传播实现网络的微调;
采用DCGAN生成图像时预训练的生成器对应的残差网络作为提取特征的CNN算法,采用全局最大池化来获取图像的特征;
经过CNN算法提取特征后,与GCN网络训练得到的输出矩阵进行点乘后得到用于分类的向量,使用交叉熵损失函数进行多分类。
2.如权利要求1所述的一种基于DCGAN和GCN的多标签识别算法,其特征是,所述基于DCGAN模型生成相似图像,包括通过DCGAN模型生成相似图片增加数据集的训练数据;将DCGAN模型中生成的数据与原数据集中的数据混合成新的数据集。
3.如权利要求1所述的一种基于DCGAN和GCN的多标签识别算法,其特征是,输入训练集中所有的标签个数,通过GCN学习到各个类别标签之间的关联性,采用互相关矩阵来初始邻接矩阵训练学习到的标签之间的概率。
4.如权利要求1所述的一种基于DCGAN和GCN的多标签识别算法,其特征是,以条件概率的形式对标签之间的相关依赖性进行建模,并构建相关系数矩阵。
5.一种基于DCGAN和GCN的多标签识别系统,基于服务器实现,其特征是,所述服务器包括:图片生成模块,被配置为基于DCGAN模型生成相似图像;
特征提取模块,被配置为基于DCGAN模型生成相似图像,使用基于迁移的CNN算法提取特征,将DCGAN模型的神经网络的参数迁移到CNN算法中对多标签图像进行特征提取,利用GCN算法通过训练标签之间的关系图生成类别标签分类器;
图像识别模块,被配置为基于GCN算法的生成类别标签分类器,对多标签图像分类识别,将CNN算法提取的特征与GCN算法生成的类别分类器中的语义特征向量矩阵做点乘后,用多标签分类器对图像进行识别;
所述基于迁移的CNN算法提取特征,包括将DCGAN算法中生成器的神经网络的参数迁移到CNN算法中对新合并的训练集中的多标签图像进行特征提取,利用算法在输入训练集计算损失函数后的反向传播实现网络的微调;
采用DCGAN生成图像时预训练的生成器对应的残差网络作为提取特征的CNN算法,采用全局最大池化来获取图像的特征;
经过CNN算法提取特征后,与GCN网络训练得到的输出矩阵进行点乘后得到用于分类的向量,使用交叉熵损失函数进行多分类。
6.一种计算机可读存储介质,其中存储有多条指令,其特征是,所述指令适于由终端设备的处理器加载并执行权利要求1‑4任一所述的一种基于DCGAN和GCN的多标签识别算法。
7.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征是,所述指令适于由处理器加载并执行权利要求
1‑4任一所述的一种基于DCGAN和GCN的多标签识别算法。