DOI：10.16601/j.cnki.issn2096-7330.2024.01.010"文章編號：2096-7330（2024）01-0078-04

摘"要：為了解決傳統(tǒng)圖像的識別低效且需要過多的人工參與的問題，對更加高效的生成式對抗網(wǎng)絡模型進行研究：（1）在經(jīng)過博弈訓練達到收斂的GAN模型的基礎上，對判定器進行優(yōu)化， 并加入softamx層以便能更好地進行圖像識別；（2）在基礎IR-DCGAN模型上選用MNIST數(shù)據(jù)集進行訓練和測試，并將生成器生成的實驗樣本輸入判定器中，每進行一次迭代訓練，數(shù)據(jù)集就會有所擴充，經(jīng)過足夠的迭代訓練后IR-DCGAN就基本穩(wěn)定，其圖像識別準確率相較于其他識別方法有顯著提升。當?shù)螖?shù)達到25000次時IR-DCGAN識別網(wǎng)絡已經(jīng)基本成熟，同時表明IR-DCGAN模型比其他方法的識別準確率大幅增加。

關鍵詞：生成式對抗網(wǎng)絡；MNIST數(shù)據(jù)集；IR-DCGAN模型

中圖分類號：TP18;TP391.1""文獻標志碼：A

0引言

當下人工智能高速發(fā)展，圖像信息的更快處理成為基本技術要求。圖像的識別顯得尤為重要。而當下傳統(tǒng)的生成模型中，如高斯混合模型、隱馬爾可夫模型等，存在著數(shù)據(jù)分布假設過于復雜、樣本生成效率低等問題。為解決這些問題，研究人員提出了生成式對抗網(wǎng)絡（GAN）。其強大的學習能力能夠使得GAN在不需要顯式標注數(shù)據(jù)的情況下，能夠從大量數(shù)據(jù)中自動學習并獲得良好的生成能力。本研究在原有的GAN模型基礎上優(yōu)化生成的IR-DCGAN模型如何更好識別圖像，并在MNIST數(shù)據(jù)集進行訓練和測試。測試結果表明，優(yōu)化后的IR-DCGAN模型相較于其他方法更加高效。

1生成式對抗網(wǎng)絡的基礎算法與邏輯

生成對抗網(wǎng)絡是借鑒了博弈論所提出的一種生成式模型，其運用互相對抗生成器與判定器兩種神經(jīng)網(wǎng)絡，碰撞出無與倫比的圖像模型生成能力。其結構如圖1所示。

GAN模型要求輸入符合均勻分布或標準正態(tài)分布的隨機噪音到生成器中，從而產(chǎn)生與真實數(shù)據(jù)極為相似的偽數(shù)據(jù)和偽圖像模型，而判定器需要能夠分辨實驗數(shù)據(jù)與真實數(shù)據(jù)。二者在這種不斷對弈中，修改自身參數(shù)，逐漸達到GAN的最終優(yōu)化，及整個系統(tǒng)達到一種非合作博弈均衡。其優(yōu)化總目標表達式為：

minDD（XGmaxDD（XD=Qa～ptrue［logD（a）］+Qz～pz［log（1-D（G（z）））］JY，2（1）

式中a表示輸入的真實數(shù)據(jù)，z代表隨機噪音，ptrue代表輸入的真實樣本的數(shù)據(jù)分布模型，D（G（z））代表實驗數(shù)據(jù)被鑒定為真實數(shù)據(jù)的可能性，D（a）代表了真實數(shù)據(jù)樣本被鑒定為真實數(shù)據(jù)的概率。

2深度生成對抗網(wǎng)絡IR-DCGAN

深度生成對抗網(wǎng)絡在已有GAN模型的基礎上，對生成器和判定器引入深度卷積神經(jīng)網(wǎng)絡代替原有模型中的全連接結構，極大改善了傳統(tǒng)GAN模型的訓練難度大，訓練時維度不匹配導致的梯度屬性消失等問題，在面對更加復雜多樣隨機噪音時更加準確和高效。

從隨機噪音中抽取100維的部分樣本數(shù)據(jù)輸入到生成器中，通過生成器的兩個全連接層對其進行維度轉換，以防止維度不符合標準導致梯度屬性消失。隨后經(jīng)過生成器中的反卷積轉換，最終輸出實驗樣本數(shù)據(jù)。生成器網(wǎng)絡結構模型如圖2所示。

將實驗數(shù)據(jù)輸入判定器中，判定器中卷積層會對其特征進行提取，再經(jīng)過全連層處理最后輸出判定結果。判定器網(wǎng)絡結構模型如圖3所示。

3實驗實施結果與對比

具體實驗步驟如圖4所示。

并選用MNIST手寫數(shù)字圖像數(shù)據(jù)集作為基礎訓練集和測試集，其具有的大量已成熟的實驗樣本使得實驗更加準確。部分MNIST數(shù)據(jù)集圖片如圖5所示。

在訓練IG-DCGAN模型時，要求生成器和判定器嚴格服從“參數(shù)單一變量”原則，不斷重復“一固一動”的訓練過程，直到生成器與判定器達到收斂。其具體操作過程為：對生成器參數(shù)θg和判定器參數(shù)θd進行初始化數(shù)據(jù)處理。

交替循環(huán)訓練判定器多次：

抽取隨機噪音樣本（a1，a2，…，an）；

從真實數(shù)據(jù)分布中抽取的樣本（Y1，Y2，…，Yn）。

輸入噪音向量樣本到生成器中生成的實驗數(shù)據(jù)（G（a1），G（a2），…，G（an））。

對判定器參數(shù)的訓練優(yōu)化使用Adam算法使其損失函數(shù)達到最小值，其算式為：

LD（θd，θg）=-SX（12SX）Qa～ptrue［logD（a）］+Qz～pz［log（1-D（G（z）））］JY，2（2）

訓練生成器：ZK（（1）抽取m個隨機噪音（a1，a2，…，an）；

（2）最小化V（G，D），更新判定器參數(shù)θd。.

V=SX（1mSX）∑DD（;Mmi=1log（1-D（G（zi））JY，2（3）

θg=θg-ηΔV（θg）JY，2（4）1.8mmCX

操作結束。

根據(jù)具體的實驗環(huán)境進行多次重復的操作，且過程中盡量避免因重復次數(shù)過少，導致實驗結果達不到預期標準，或重復次數(shù)過多導致的判定器參數(shù)優(yōu)化更新過快，致使兩種神經(jīng)網(wǎng)絡更新頻率不同步，無法準確捕捉最佳收斂的狀態(tài)參數(shù)。

在經(jīng)過系統(tǒng)模型訓練后，判定器已經(jīng)同時具備真實樣本和實驗樣本的圖像特征。但此時判定器的神經(jīng)網(wǎng)絡作為二分器，只能輸出一維結果0或1，無法應用于圖像識別。需要調整優(yōu)化系統(tǒng)網(wǎng)絡結構，將一維的判定器的維度更換為與數(shù)據(jù)庫類別數(shù)一致，并加入softamx層。此時就形成了分類器模型結構，如圖6所示。

隨后將訓練庫集輸入到此模型結構中，借助Adam算法使其損失函數(shù)最小化后便得到能夠用于圖像的識別。

實驗配置設置見表1。對生成器和判定器的損失函數(shù)進行測試，得到其各自的損失函數(shù)隨著訓練次數(shù)增加帶來的變化。并且將生成器生成的實驗樣本也輸入到判定器中，更直接的增加訓練的數(shù)據(jù)集。

從上述可以看出，IR-DCGAN圖像識別模型的生成器損失函數(shù)，隨著訓練次數(shù)的加大呈現(xiàn)出上升趨勢，而判定器則大致呈現(xiàn)下降趨勢。為更好的測試隨著訓練次數(shù)的增加，IR-DCGAN對圖像識別精準度的變化，將同時訓練的深度卷積神經(jīng)網(wǎng)絡模型進行實驗對比，得到的實驗結果如圖7所示。

分析圖7可知，由于IR-DCGAN神經(jīng)網(wǎng)絡模型開始未進行對抗優(yōu)化，輸出的生成樣本質量低，導致訓練次數(shù)在10000次之前識別精確度低于DCNN。但隨著迭代次數(shù)增加，IR-DCGAN在10000次之后的識別準確率逐漸高于DCNN。主要是由于IR-DCGAN不斷將每次訓練生成的實驗數(shù)據(jù)都輸入到判定器中，擴充了模型訓練的數(shù)據(jù)集。經(jīng)過多次迭代后IR-DCGAN模型已經(jīng)逐漸成熟，對比真實圖像其準確率高達99.68%，與其他方法對比，IR-DCGAN的準確率也相對較高。

4結語

采取的對生成式對抗網(wǎng)絡進行交替優(yōu)化訓練，是在網(wǎng)絡結構達到收斂，同時判定器的卷積層已經(jīng)具備提取圖像特征能力的基礎上，對其結構加以優(yōu)化，得到用于圖像識別的IR-DCGAN網(wǎng)絡圖形識別模型。然后利用MNIST手寫數(shù)字圖像數(shù)據(jù)集的訓練集進行生成器和判定器兩種神經(jīng)網(wǎng)絡的博弈訓練，同時將生成器每次生成的實驗樣本輸入到判定器中達到擴充數(shù)據(jù)集的效果。得到隨著迭代次數(shù)的增加IR-DCGAN模型的圖像識別準確率高于一般的DCNN的結論。根據(jù)實驗，在迭代次數(shù)達到25000次時IR-DCGAN識別網(wǎng)絡已經(jīng)基本成熟，同時表明IR-DCGAN模型相比其他方法的識別準確率大幅增加。

參考文獻：

[1] 郭鯤.基于深度學習的有遮擋圖像識別研究[D].蘭州：蘭州大學，2023.

[2]"林中琦.基于卷積神經(jīng)網(wǎng)絡的小麥葉部病害圖像識別研究[D].濟南：山東農(nóng)業(yè)大學，2018.

[3]"張慧.深度學習中優(yōu)化算法的研究與改進[D].北京：北京郵電大學，2018.

[4]"康一帥.基于卷積神經(jīng)網(wǎng)絡的圖像識別算法研究[D].鎮(zhèn)江：江蘇科技大學，2019.

[5]"陳繼磊，祁云嵩.基于深度學習的入侵檢測方法[J].江蘇科技大學學報（自然科學版），2017，31（6）：795-800.

[6]"鄭胤，陳權崎，章毓晉.深度學習及其在目標和行為識別中的新進展[J].中國圖象圖形學報，2014，19（2）：175-184.

[7]"2張杰，李永忠.云模型半監(jiān)督聚類動態(tài)加權的入侵檢測方法[J].昆明理工大學學報（自然科學版），2013，38（4）：44-47，59.

[8]"王雨辰.基于深度學習的圖像識別與文字推薦系統(tǒng)的設計與實現(xiàn)[D].北京：北京交通大學，2018.

[9]"王猛.基于深度學習的交通標志圖像識別研究[D].蘭州：蘭州理工大學，2018.

[10]胡直峰. 植物圖像識別方法研究及實現(xiàn)[D].杭州：浙江大學，2018.

[11]詹燕，胡蝶，湯洪濤，等.基于改進生成對抗網(wǎng)絡的圖像數(shù)據(jù)增強方法[J].浙江大學學報（工學版），2023，57（10）：1998-2010.

[12]陳文靜，唐軼.基于深度學習的圖像超分辨率重建方法綜述[J].云南民族大學學報（自然科學版），2019，28（6）：597-605.

[責任編輯：黃天放]

收稿日期：2023-10-20

*基金項目：（宿州學院 2021 年博士科研啟動基金項目“基于多特征融合的人臉表情識別研究”（2021BSK017）；產(chǎn)學研科研項目“基于圖像處理的多功能遠程監(jiān)控智能安防系統(tǒng)設計與實現(xiàn)”（2022xhx301）；產(chǎn)學研科研項目“基于人工智能的多功能網(wǎng)絡智能家居控制系統(tǒng)研究與設計”（2022xhx302）

第一作者簡介：ZK（張守震（1982—），男，工學博士，宿州學院信息工程學院講師，研究方向：人工智能和計算機視覺。