王愛麗， 薛 冬， 吳海濱， 王敏慧

(哈爾濱理工大學(xué) 測控技術(shù)與通信工程學(xué)院，黑龍江 哈爾濱 150080)

1 引 言

圖像識別是計算機(jī)視覺領(lǐng)域中常見的任務(wù)之一，通過提取數(shù)字圖像中有效的特征信息，來賦予圖像各自的標(biāo)簽類別，從而完成識別過程。目前，圖像識別已經(jīng)廣泛應(yīng)用于醫(yī)療診斷[1]、交通標(biāo)志識別[2]等領(lǐng)域中。

近年來，深度學(xué)習(xí)的快速發(fā)展使得其在圖像識別領(lǐng)域取得了很多成果。相比于傳統(tǒng)的人工識別方法，使用深度學(xué)習(xí)方法可以提取到圖像更多的深層次特征，從而提高識別準(zhǔn)確率。然而，深度學(xué)習(xí)方法需要大量的訓(xùn)練數(shù)據(jù)才能取得好的識別效果，所以對于數(shù)據(jù)量較小的數(shù)據(jù)集，識別效果并不理想，而生成對抗網(wǎng)絡(luò)(GAN)的提出很大程度上緩解了這種問題[3]。

GAN的核心思想來源于博弈論的納什均衡[4]，它含有一個生成器和一個判別器，生成器在訓(xùn)練過程中將生成的假樣本送入判別器來擴(kuò)充訓(xùn)練集的數(shù)據(jù)量，這使得判別器學(xué)習(xí)到更多的圖像特征，從而提高分類準(zhǔn)確率。因此，基于GAN的這種優(yōu)點(diǎn)，許多學(xué)者將其應(yīng)用到圖像分類、識別領(lǐng)域。Zhu等人[5]將GAN應(yīng)用到高光譜數(shù)據(jù)的分類中，提出了利用空間特征和光譜特征的1D-GAN和3D-GAN，顯著提高了高光譜數(shù)據(jù)的分類精度。劉坤等人[6]使用半監(jiān)督GAN實(shí)現(xiàn)了X光圖像的分類，充分利用有標(biāo)簽的數(shù)據(jù)提高分類效果。楊旺功等人[7]利用深度卷積生成對抗網(wǎng)絡(luò)(DCGAN)實(shí)現(xiàn)了花朵圖像的分類，實(shí)驗結(jié)果表明所提方法的分類準(zhǔn)確率高且穩(wěn)定性好。Kuang等人[8]首次將GAN用于肺結(jié)節(jié)惡性腫瘤的無監(jiān)督分類中，實(shí)驗表明此方法使用少量標(biāo)記樣本就能取得較好的分類結(jié)果。

雖然GAN在圖像處理領(lǐng)域具有較好的表現(xiàn)，但是GAN存在訓(xùn)練太過自由，生成的圖像不可控等問題，因此Mirza等人[9]提出了條件生成對抗網(wǎng)絡(luò)(CGAN)，在生成器和判別器中加入圖像的類別標(biāo)簽，使得生成的圖片可以人為控制。因此，本文將CGAN和條件批處理歸一化[10-11](CBN)結(jié)合，提出CBN-CGAN網(wǎng)絡(luò)。CBN利用類別標(biāo)簽對每一類數(shù)據(jù)進(jìn)行批處理歸一化，使網(wǎng)絡(luò)學(xué)習(xí)到更多的特征，提高模型魯棒性。

2 條件生成對抗網(wǎng)絡(luò)理論

2.1 條件生成對抗網(wǎng)絡(luò)

條件生成對抗網(wǎng)絡(luò)是在GAN的基礎(chǔ)上發(fā)展而來的，通過把附加信息y加入到生成器G和判別器D的輸入中，使得GAN的無監(jiān)督學(xué)習(xí)變?yōu)橛斜O(jiān)督學(xué)習(xí)。訓(xùn)練階段，隨機(jī)噪聲z與條件變量y同時輸入到G中，得到盡量服從真實(shí)數(shù)據(jù)分布Pdata的生成數(shù)據(jù)G(z|y)；然后將真實(shí)數(shù)據(jù)x、條件變量y和G生成的數(shù)據(jù)G(z|y)同時輸入到D中，最后輸出一個標(biāo)量來估計輸入數(shù)據(jù)來自真實(shí)數(shù)據(jù)的概率。其目標(biāo)函數(shù)為：

.

(1)

D的目標(biāo)是實(shí)現(xiàn)對數(shù)據(jù)來源的二分類判別，G的目標(biāo)是最大化D判斷輸入數(shù)據(jù)錯誤的概率。因此，這兩個相互對抗并迭代優(yōu)化的過程使得G和D的性能不斷提升。當(dāng)最終D無法正確判別數(shù)據(jù)真假時，可以認(rèn)為G已經(jīng)學(xué)到了真實(shí)的數(shù)據(jù)分布，二者達(dá)到平衡狀態(tài)。

2.2 條件批量歸一化

深度學(xué)習(xí)算法的一個缺點(diǎn)是網(wǎng)絡(luò)在訓(xùn)練階段容易出現(xiàn)無法收斂的問題。因此，谷歌公司通過對輸入數(shù)據(jù)進(jìn)行批量歸一化(BN)處理，提高了網(wǎng)絡(luò)的訓(xùn)練速度，解決梯度消失的問題[12]。但是在條件生成模型中存在一個問題，不同類別的訓(xùn)練數(shù)據(jù)放在一起做批處理歸一化不妥當(dāng)。因為在一個批量的數(shù)據(jù)中含有不同類別的數(shù)據(jù)，而每個類別的數(shù)據(jù)在計算后得到的均值和方差的數(shù)值也是不同的，因此在還原數(shù)據(jù)階段，應(yīng)該采用不同的標(biāo)準(zhǔn)化、平移和縮放處理的方式來還原每一類數(shù)據(jù)。

條件批量歸一化[10-11](CBN)處理數(shù)據(jù)時不使用整個批量的統(tǒng)計數(shù)據(jù)，而是在各類數(shù)據(jù)特征圖內(nèi)部做歸一化，依賴類別標(biāo)簽還原出原始的每一類數(shù)據(jù)。CBN對數(shù)據(jù)的批處理如下：

，

(2)

(3)

，

(4)

.

(5)

式(2)和(3)分別計算了數(shù)據(jù)的均值和方差；式(4)和(5)對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化、平移和縮放的處理。

3 基于CGAN的圖像生成及識別

3.1 網(wǎng)絡(luò)模型結(jié)構(gòu)

本文網(wǎng)絡(luò)模型將CGAN與CBN相結(jié)合，稱為CBN-CGAN網(wǎng)絡(luò)，網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示，主要包括3方面的改進(jìn)。

圖1 CBN-CGAN網(wǎng)絡(luò)結(jié)構(gòu)圖

(1)將生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)改為全卷積的網(wǎng)絡(luò)結(jié)構(gòu)，借助卷積神經(jīng)網(wǎng)絡(luò)(CNN)強(qiáng)大的提取特征的能力，更好地學(xué)習(xí)圖像的特征。在判別器輸出末端加入Softmax分類器，使模型適用于多分類任務(wù)。

(2)在生成器和判別器的網(wǎng)絡(luò)層中添加CBN，充分利用類別標(biāo)簽來對每一類數(shù)據(jù)進(jìn)行批量化處理，使得網(wǎng)絡(luò)充分學(xué)習(xí)到特征圖中每個類別的特征，提高生成圖像的質(zhì)量和識別精度。同時，提升模型穩(wěn)定性，加快收斂速度，緩解梯度消失的問題。

(3)提出新的目標(biāo)損失函數(shù)，使模型最終的輸出既包括對圖像來源的真假判別，即將真實(shí)圖像判斷為真，將生成器生成的圖像判斷為假，又包括對圖像類別標(biāo)簽的多分類結(jié)果。

3.2 改進(jìn)的生成器網(wǎng)絡(luò)結(jié)構(gòu)

本文網(wǎng)絡(luò)模型的生成器是一個全卷積的網(wǎng)絡(luò)結(jié)構(gòu)，使用反卷積層代替池化層，反卷積核的大小為4×4，并且去掉全連接層來增加模型穩(wěn)定性。首先，輸入端是兩個反卷積層，它們分別將100維的噪聲z和n維的類別標(biāo)簽(假設(shè)數(shù)據(jù)集有n個類別)進(jìn)行維度轉(zhuǎn)換，轉(zhuǎn)換成(256，4，4)的三維張量，然后將二者連接成(512，4，4)的三維張量作為下一個反卷積層的輸入。最后，3個反卷積層將這個3維張量轉(zhuǎn)換成(1，32，32)的圖像。本文在中間兩個反卷積層后添加CBN，CBN對數(shù)據(jù)進(jìn)行歸一化處理得到均值和方差，利用類別標(biāo)簽控制偏置因子和縮放因子的取值，從而在映射原始數(shù)據(jù)時充分還原出每一類數(shù)據(jù)，使網(wǎng)絡(luò)充分學(xué)習(xí)到各類數(shù)據(jù)的特征分布。

CBN還可以解決初始化差和模式崩塌的問題，同時確保梯度傳播到模型的深層。此外，為了不降低模型穩(wěn)定性，在輸入端和輸出端的反卷積層后不添加CBN。其次，本文在中間兩個反卷積層后添加ReLU 激活函數(shù)層，提高模型的學(xué)習(xí)速度，在最后一個反卷積層后添加Tanh激活函數(shù)層。CBN-CGAN的生成器網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 CBN-CGAN生成器網(wǎng)絡(luò)結(jié)構(gòu)圖

3.3 改進(jìn)的判別器網(wǎng)絡(luò)結(jié)構(gòu)

本文判別器網(wǎng)絡(luò)結(jié)構(gòu)和生成器網(wǎng)絡(luò)結(jié)構(gòu)類似，也是一個全卷積的網(wǎng)絡(luò)結(jié)構(gòu)，含有5個卷積層，卷積核的大小為4×4，不含池化層和全連接層。在輸入端，訓(xùn)練數(shù)據(jù)和類別標(biāo)簽分別通過卷積層進(jìn)行維度轉(zhuǎn)換，轉(zhuǎn)換成(64，16，16)的三維張量，再將二者連接成(128，16，16)的三維張量。接著依次經(jīng)過兩個卷積層輸出(512，4，4)的三維張量到達(dá)輸出端。輸出端分為兩部分：一部分判斷數(shù)據(jù)的真實(shí)來源，另一部分輸出分類結(jié)果。

與生成器相同，本文在除了輸入端和輸出端的卷積層后添加CBN，提升訓(xùn)練效果。本文在判別器中使用LeakyReLU激活函數(shù)，它是ReLU激活函數(shù)的改進(jìn)版，在判別器中表現(xiàn)得更好。因此，本文在中間兩個卷積層后添加LeakyReLU激活函數(shù)層。在輸出端，本文在最后兩個卷積層后分別使用Sigmoid分類器和Softmax分類器完成不同的任務(wù)，一是Sigmoid分類器輸出數(shù)據(jù)的真假判別結(jié)果，二是Softmax分類器輸出真實(shí)數(shù)據(jù)和生成器生成的數(shù)據(jù)的分類結(jié)果。

在分類時，假設(shè)數(shù)據(jù)集有n個類別。首先，每個由生成器生成的假數(shù)據(jù)通過網(wǎng)絡(luò)向前傳遞，并通過獲取概率預(yù)測向量的最大值來分配一個標(biāo)簽。因此，這些假數(shù)據(jù)可用于在網(wǎng)絡(luò)中使用這些標(biāo)簽進(jìn)行訓(xùn)練。此外，假數(shù)據(jù)不屬于任何類型的真實(shí)數(shù)據(jù)。由于真實(shí)數(shù)據(jù)和假數(shù)據(jù)的不同，所以創(chuàng)建了一個新的類別標(biāo)簽(n+1類)劃分它們，每個假數(shù)據(jù)都被賦予這個新的類別標(biāo)簽。本文采用這種方法最后輸出n+1個類別的識別結(jié)果。CBN-CGAN的判別器網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 CBN-CGAN判別器網(wǎng)絡(luò)結(jié)構(gòu)圖

3.4 目標(biāo)損失函數(shù)

本文設(shè)計的網(wǎng)絡(luò)模型的目標(biāo)損失函數(shù)包括兩部分：一部分是判斷數(shù)據(jù)來源真假的LS，另一部分是對真實(shí)數(shù)據(jù)和生成器生成的數(shù)據(jù)進(jìn)行分類的LC。該目標(biāo)損失函數(shù)如下所示：

，

(6)

，

(7)

，

(8)

式中，LS將輸入的真實(shí)數(shù)據(jù)判斷為真，將生成器生成的數(shù)據(jù)判斷為假。LC分為兩部分，一部分是真實(shí)數(shù)據(jù)對應(yīng)的分類結(jié)果，它應(yīng)該被檢測為前n種類別中其唯一對應(yīng)的類別，即檢測為真實(shí)類別的概率為1；另一部分是使生成器生成的假數(shù)據(jù)可以被分類為第n+1類，即假數(shù)據(jù)被檢測成真實(shí)類別的概率為0，也即假數(shù)據(jù)對應(yīng)的分類結(jié)果為第n+1類的概率為1。對于判別器，其最終目的是最大化LS+LC；生成器的目的是最小化LS-LC。

4 實(shí)驗結(jié)果

本文實(shí)驗在Windows操縱系統(tǒng)下進(jìn)行，基于開源深度學(xué)習(xí)框架Pytorch，使用的編程語言為Python，實(shí)驗設(shè)備包括Intel(R) Core(TM) i5-6500 CPU @ 3.2 GHz處理器，16 GB運(yùn)行內(nèi)存(RAM)，NVIDIA GeForce GTX 1060 GPU。實(shí)驗所用的數(shù)據(jù)集為MNIST數(shù)據(jù)集，它是機(jī)器學(xué)習(xí)領(lǐng)域最常見的手寫字體數(shù)據(jù)集，包含0～9的10類手寫數(shù)字圖像，每類數(shù)字包含60 000個訓(xùn)練樣本和10 000個測試樣本，每幅圖像是28×28像素的灰度圖像。

4.1 實(shí)驗設(shè)計

實(shí)驗階段，為了讓生成器盡可能學(xué)習(xí)到所有樣本的數(shù)據(jù)分布，需要對樣本進(jìn)行歸一化處理，對類別標(biāo)簽數(shù)據(jù)進(jìn)行one-hot編碼處理。網(wǎng)絡(luò)輸入的圖像大小為32×32，批處理大小設(shè)置為32，由于數(shù)據(jù)集為灰度的手寫數(shù)字圖像，特征相對較少，因此訓(xùn)練迭代了30個Epoch。在訓(xùn)練階段，網(wǎng)絡(luò)采用Adam優(yōu)化器，學(xué)習(xí)率設(shè)置為0.000 2，權(quán)重衰減設(shè)置為0.000 5。

4.2 實(shí)驗結(jié)果分析

為了評估本文所設(shè)計的CBN-CGAN網(wǎng)絡(luò)模型的性能，將本文網(wǎng)絡(luò)模型與傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)做了對比。實(shí)驗評價標(biāo)準(zhǔn)一方面是生成圖像的質(zhì)量，另一方面是識別的準(zhǔn)確率。圖4為本文方法與CGAN和深度卷積生成對抗網(wǎng)絡(luò)[13](DCGAN)在Epoch次數(shù)為30時對生成圖像所做的對比。從對比圖中可以直接看出，本文提出的CBN-CGAN網(wǎng)絡(luò)比其他網(wǎng)絡(luò)生成的圖像質(zhì)量更好，更清晰，例如數(shù)字“2”和數(shù)字“8”的輪廓更明顯，更容易辨別。

圖4 不同方法生成MNIST圖像對比結(jié)果

表1為本文識別方法與其他方法的識別精度對比。其中決策樹(Decision Tree)的最大深度設(shè)置為100；支持向量機(jī)(SVM)中的核函數(shù)設(shè)置為徑向基核函數(shù)(rbf)，rbf的系數(shù)默認(rèn)為“auto”，懲罰參數(shù)設(shè)置為100；隨機(jī)森林(Random Forest)中樹的數(shù)目設(shè)置為200；卷積神經(jīng)網(wǎng)絡(luò)(CNN)的網(wǎng)絡(luò)結(jié)構(gòu)與本文判別器網(wǎng)絡(luò)結(jié)構(gòu)相似，卷積核大小也為4×4，網(wǎng)絡(luò)中加入ReLU激活函數(shù)，BN層，Softmax分類器，數(shù)據(jù)輸入之前做歸一化處理，學(xué)習(xí)率設(shè)置為0.001；在CGAN和DCGAN的判別器輸出端分別添加Softmax分類器，使這兩個網(wǎng)絡(luò)可以完成分類任務(wù)，學(xué)習(xí)率都設(shè)為0.000 2。

表1 MNIST數(shù)據(jù)集識別準(zhǔn)確率和識別時間

從表1可以看出，本文所提出的CBN-CGAN網(wǎng)絡(luò)模型達(dá)到的識別準(zhǔn)確率最高，為99.43%，分別比DCGAN、CGAN、CNN、隨機(jī)森林、SVM和決策樹高出0.57%，0.86%，1.07%，2.28%，2.83%和11.5%的準(zhǔn)確率。雖然本文模型在識別時所消耗的時間有一定程度的增加，但是卻提高了準(zhǔn)確率，因此證明了本文所提方法在手寫體數(shù)字識別時可以更好地提取特征，有效提高了識別準(zhǔn)確率。

圖5為本文所提出的CBN-CGAN網(wǎng)絡(luò)的判別器損失函數(shù)曲線與原始CGAN網(wǎng)絡(luò)的判別器損失函數(shù)曲線的對比。從圖中可以看出本文所提出的網(wǎng)絡(luò)判別器的收斂速度更快，且隨著迭代次數(shù)的增加越來越穩(wěn)定。

圖5 判別器損失函數(shù)曲線對比

5 結(jié) 論

本文結(jié)合條件生成對抗網(wǎng)絡(luò)與條件批處理歸一化提出CBN-CGAN、改進(jìn)生成器和判別器的結(jié)構(gòu)，提出新的損失函數(shù)。利用CBN融合類別標(biāo)簽的優(yōu)勢，使網(wǎng)絡(luò)提取更多的圖像特征，提高了模型的魯棒性。在MNIST數(shù)據(jù)集上的實(shí)驗結(jié)果表明，相比于其他方法，本文所提出的方法雖然消耗的時間較長，但是生成的圖像質(zhì)量更好，同時手寫體數(shù)字識別的準(zhǔn)確率達(dá)到99.43%，驗證了本文所提出的CBN-CGAN模型在手寫體數(shù)字識別領(lǐng)域中的有效性。