1.一种基于CGAN的语义分割数据集增广的方法,其特征在于,包括以下步骤:S1、获取语义分割数据集,语义分割数据集分为图像和标注;搭建两个生成器网络分别为生成器G1和生成器G2和一个判别器D,生成器G1对输入的标注和噪音生成对应的图像,生成器G2对输入的图像和噪音生成对应的标注,判别器D对输入的图像和对应标注进行判别;
S2、训练判别器D,使用生成器G1对x加上噪音z生成y_fake,公式为:y_fake=x和y分别为原标记和对应的原图像,z为噪音;
使用生成器G2对y加上噪音z生成x_fake,公式为:x_fake= ;使用生成器G1对x_fake加上噪音z生成y_fake_fake,公式为y_fake_fake= ;使用生成器G2对y_fake加上噪音z生成x_fake_fake,公式为x_fake_fake= ;将输入的x与y、x与y_fake、y与x_fake、x_fake与y_fake_fake、y_fake与x_fake_fake五组数据用来训练判别器D对图像和对应标注的判别能力;
S3、训练生成器G1、生成器G2,生成器G1生成的图像为y_fake= 、y_fake_fake=,生成器G2生成的图像为x_fake= 、x_fake_fake= ;判别器D对生成器G1和生成器G2生成的图像和标注进行判别进而对生成器的生成能力进行优化;
S4、通过一个筛选器来筛选符合要求的增广的图像和对应的标注形成增广数据集。
2.根据权利要求1所述的一种基于CGAN的语义分割数据集增广的方法,其特征在于,步骤S1中生成器G1具体搭建如下:S101生成器G1网络的搭建,对生成器G1的编码器和解码器进行构建,BatchNorm不应用于编码器中的第一个卷积层;在解码器的最后一层之后,应用一个卷积来映射到输出通道的数量,然后是一个Tanh激活器,图像的标注和噪音经过生成器G1后生成了设定尺寸的RGB图片。
3.根据权利要求2所述的一种基于CGAN的语义分割数据集增广的方法,其特征在于,S101生成器G1的搭建具体如下:编码器中所有ReLU都设置了leaky=True,而且设置slope为0.2,而解码器中的ReLU=False。
4.根据权利要求2所述的一种基于CGAN的语义分割数据集增广的方法,其特征在于,S101生成器G1的搭建具体如下:U‑Net架构在编码器的第i层和解码器的第n‑i层之间有跳过连接,其中n为总层数;跳过连接将激活从第i层连接到第n‑i层。
5.根据权利要求1所述的一种基于CGAN的语义分割数据集增广的方法,其特征在于,步骤S1中生成器G2具体搭建如下:S102生成器G2网络的搭建,对生成器G2网络的编码器和解码器进行构建,生成器G2生成的方式是由图像和噪音生成标注;在生成器G2中前面的网络结构和生成器G1一致,在下采样提取特征之后采用上采样放大特征图,不同的是对上采样后的图像的每个点做softmax获得最终的分割图,生成了图像对应的标注。
6.根据权利要求1所述的一种基于CGAN的语义分割数据集增广的方法,其特征在于,步骤S2中判别器网络匹配学习过程是通过优化公式x为原始标注,y为原始图像,z为随机噪声,使判别器D达到最大值,具体公式如下:。
7.根据权利要求6所述的一种基于CGAN的语义分割数据集增广的方法,其特征在于,在公式中 为原始图像和对应的原始标记的计算公式,
为原始标记和生成对应图像的之间的计算公式, 为原始图像和生
成对应标注的之间的计算公式, 为生成器G2网络生成的
标注和G1对G2生成标注的生成图像之间的计算公式, 为
生成器G1生成的图像和G1对G2生成图像的生成标注之间的计算公式。
8.根据权利要求1所述的一种基于CGAN的语义分割数据集增广的方法,其特征在于,步骤S1中判别器D具体搭建如下:S103判别器D的搭建,判别器D中的网络主体结构依旧是由编码器和解码器组成的Unet;不同于生成器G1、生成器G2,判别器D需要对输入的标注和图像进行第四个维度的拼接,然后输入到Unet网络主体中,并在最后一层使用卷积来映射到一维输出,判别器D输出的结果为真假之间的域值。
9.根据权利要求1所述的一种基于CGAN的语义分割数据集增广的方法,其特征在于,步骤S3中生成器G1、生成器G2学习过程是优化生成器G1、生成器G2使其到达最小值,具体公式如下:。
10.根据权利要求1所述的一种基于CGAN的语义分割数据集增广的方法,其特征在于,步骤S4中筛选器具体筛选过程为:搭建一个生成图像和生成标记筛选器,筛选器能获取生成器生成的图像于对应标注和判别器对该图像的判定结果,在每一轮会生成两组标注和对应的图像,既x1,y1=和x2,y2= ,判别器对他们的判别结果分别为D1=D(x1,y1),D2=D(x2,y2),通过比较D1,D2与设置的阈值,选择出符合条件的图像和对应的标注进行输出并保存。