采用基于混合专家模型的生成式对抗网络的图像生成方法

1.一种采用基于混合专家模型的生成式对抗网络的图像生成方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种采用基于混合专家模型的生成式对抗网络的图像生成方法，其特征在于，所述判别器网络模型依此包括输入层、三个卷积块、第一dropout层、展平层、第一全连接层、leaky relu激活层、第二dropout层、第二全连接层、sigmoid激活层和输出层，每个卷积块由卷积层、leaky relu激活层和归一化层构成。

3.根据权利要求2所述的一种采用基于混合专家模型的生成式对抗网络的图像生成方法，其特征在于，所述判别器网络模型的损失函数为：

4.根据权利要求3所述的一种采用基于混合专家模型的生成式对抗网络的图像生成方法，其特征在于，所述步骤5中采用交替优化生成器网络模型的损失函数和判别器网络模型的损失函数的方式迭代优化训练，即首先固定生成器网络模型优化判别器网络模型的损失函数更新判别器网络模型的参数，然后固定判别器网络模型优化生成器网络模型的损失函数更新生成器网络模型的参数。

5.根据权利要求1所述的一种采用基于混合专家模型的生成式对抗网络的图像生成方法，其特征在于，若数据样本为多模态数据，则所述步骤2还包括对多模态数据进行融合，融合方法包括：

6.根据权利要求5所述的一种采用基于混合专家模型的生成式对抗网络的图像生成方法，其特征在于，所述多模态数据融合网络包括用于提取图像特征的轻量化卷积神经网络和分别用于提取文本和音频特征的两个轻量级循环神经网络；所述用于提取图像特征的轻量化卷积神经网络依次包括原始图像输入层、卷积层、深度卷积层、全局平均池化层、全连接输出层，其中深度卷积层包括逐点卷积层、归一化层和relu6激活函数；所述用于提取文本特征的轻量级循环神经网络依次包括嵌入层、rnn层、双向rnn层、合并层、第一全连接层、第二全连接层、输出层；所述用于提取音频特征的轻量级循环神经网络依次包括卷积层、池化层、rnn层、第一全连接层、第二全连接层、输出层。

7.一种图像分类方法，其特征在于，所述方法基于权利要求1-6任一项所述的方法生成新的图像数据以对训练数据集进行扩充。

8.权利要求1-6任一项所述的一种采用基于混合专家模型的生成式对抗网络的图像生成方法在无人驾驶、工业检测、医疗影像分析、安防监控中的应用。