(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210397295.5 (22)申请日 2022.04.15 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市下城区潮王路 18号 (72)发明人 单沛婷　陈婷　徐杰威　毛城　 王太宇　陈昕　孙淡茜　杨旭升　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 邱启旺 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01)G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) (54)发明名称 一种基于对抗网络的垃圾图像分类模型环 境迁移鲁棒 性增强方法 (57)摘要 本发明公开了一种基于对抗网络的垃圾图 像分类模型环 境迁移鲁棒性增强方法， 所述方法 首先将垃圾数据集经归一化处理后作为样本数 据集； 在样本数据集中的图像中挑选出光斑特 征， 通过经图像裁剪以及阈值分割得到光斑噪 声； 对样本数据集中的所有图像通过像素值加权 随机添加光斑噪声， 将加噪后的图像及其对应的 原图像作为一组噪声样本对； 构建由垃圾分类网 络和敌手网络组成的对抗网络模 型； 将噪声样本 对中的图像输入 垃圾分类网络模 型中， 由敌手网 络和垃圾分类网络相互博弈进行训练， 并更新敌 手网络和垃圾分类网络， 将训练后的垃圾分类网 络作为垃圾分类主 任务的最终模型。 权利要求书2页 说明书6页 附图2页 CN 114821313 A 2022.07.29 CN 114821313 A 1.基于对抗网络的垃圾图像分类模型环境迁移鲁棒性增强方法， 其特征在于， 所述方 法具体包括以下步骤： S1， 将垃圾数据集经归一 化处理后作为样本数据集； S2， 在样本数据集中的图像中挑选出光斑特征， 通过经图像裁剪以及阈值分割得到光 斑噪声； S3， 对样本数据集中的所有图像通过像素值加权随机添加光斑噪声， 将加噪后的图像 及其对应的原图像作为 一组噪声样本对； S4， 构建由垃圾分类网络和敌手网络组成的对抗网络模型； S5， 将噪声样本对中的图像输入垃圾分类网络模型中， 由敌手网络和垃圾分类网络相 互博弈进行训练， 并更新敌手网络和垃圾分类网络， 将训练后的垃圾分类网络作为垃圾分 类主任务的最终模型。 2.根据权利要求1所述的基于对抗网络的垃圾图像分类模型环境迁移鲁棒性增强方 法， 其特征在于， 所述垃圾数据集中的图像包括废纸箱、 玻璃、 非金属、 纸、 塑料、 干电池、 充 电宝、 剩饭剩菜、 水果 果皮、 烟蒂 。 3.根据权利要求1所述的基于对抗网络的垃圾图像分类模型环境迁移鲁棒性增强方 法， 其特征在于， 所述垃圾分类网络用于准确的得到当前图像中垃圾的分类并让敌手网络 无法根据神经元的输出来判断当前图像是否为加噪图像； 所述敌手网络用于根据垃圾分类 网络的神经 元输出判断当前图像是否是加噪后的图像。 4.根据权利要求1所述的基于对抗网络的垃圾图像分类模型环境迁移鲁棒性增强方 法， 其特征在于， 所述垃圾分类网络为监督模型， 包括特征提取器和分类器两部分， 其中特 征提取器为5个卷积层， 其中记前2个卷积层为低级卷积层， 记后3个卷积层为高级卷积层； 分类器为2个全连接层， 激活函数采用Relu函数， 损失函数采用交叉熵。 5.根据权利要求4所述的基于对抗网络的垃圾图像分类模型环境迁移鲁棒性增强方 法， 其特征在于， 敌手网络为监督模型， 包括特征提取器和分类器两部分， 其中特征提取器 采用3个卷积层， 分类器采用2个全连接层构成的网络， 激活函数采用Relu函数， 损失函数采 用交叉熵。 6.根据权利要求1所述的基于对抗网络的垃圾图像分类模型环境迁移鲁棒性增强方 法， 其特征在于， 更新敌手网络的过程具体为： 将样本数据集中的每张图片 输入到对抗网络 模型中， 将敌手网络的输出作为更新垃圾分类网络的依据； 在敌手网络更新过程中， 冻结垃 圾分类网络参数， 保证垃圾分类网络参数不被更新。 7.根据权利要求1所述的基于对抗网络的垃圾图像分类模型环境迁移鲁棒性增强方 法， 其特征在于， 更新垃圾分类网络的过程具体为： 将样 本数据集中的每张图片 输入到垃圾 分类网络模型中， 将垃圾分类网络中各个神经元 的输出作为更新敌手网络的输入； 在垃圾 分类网络更新过程中， 冻结敌手网络参数， 保证敌手网络参数不被更新； 其中垃圾分类网络的损失函数由两部分组成， 第 一损失函数为敌手网络输出的标签构 成的交叉熵损失； 第二损失函数为垃圾分类主任务的标签， 也采用交叉熵损失作为损失函 数； 反方向更新 参数， 即其总损失函数为第二损失函数与第一损失函数的差值。 8.一种电子设备， 包括存储器和 处理器， 其特征在于， 所述存储器与所述处理器耦接； 其中， 所述存储器用于存储程序数据， 所述处理器用于执行所述程序数据以实现上述权利权　利　要　求　书 1/2 页 2 CN 114821313 A 2要求1‑7任一项所述的基于对抗网络的垃圾图像分类模型环境迁移鲁棒 性增强方法。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述程序被处理器 执行时实现如权利要求 1‑7中任一所述的基于对抗网络的垃圾图像分类模型环境迁移鲁棒 性增强方法。权　利　要　求　书 2/2 页 3 CN 114821313 A 3