一种基于WGAN模型的可变形卷积核方法

摘要

本发明公开了一种基于WGAN模型的可变形卷积核方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造沃瑟斯坦距离，作为对抗网络模型的评判指标；S3、初始化随机噪声，输入生成器中；S4、在WGAN模型中利用可变形卷积核对图像进行卷积；S5、将可变形卷积操作得到的损失函数输入生成器进行后续训练。本发明构建的基于WGAN模型的可变形卷积核方法，改变了判别器、生成器接收图片后的卷积方式，让判别器、生成器能够根据训练的情况自动地改变卷积核的大小，从而能够自适应地对数据集图像的特征进行学习，提高了整个网络训练的鲁棒性。