利用生成对抗网络生成海洋塑料合成图像

问题陈述

过去十年来，海洋塑料污染一直是气候问题的首要问题。海洋中的塑料不仅能够通过勒死或饥饿杀死海洋生物，而且也是通过捕获二氧化碳使海洋变暖的一个主要因素。

近年来，非营利组织海洋清洁组织（Ocean Cleanup）多次尝试清洁环绕我们海洋的塑料。很多清理过程的问题是，它需要人力，而且成本效益不高。

通过使用计算机视觉和深度学习检测海洋碎片，利用ROV和AUV进行清理，已经有很多研究将这一过程自动化。

这种方法的主要问题是关于训练计算机视觉模型的数据集的可用性。JAMSTEC-JEDI数据集收集了日本沿海海底的海洋废弃物。

但是，除了这个数据集，数据集的可用性存在巨大差异。因此，我利用了生成对抗网络的帮助。

DCGAN尤其致力于合成数据集，理论上，随着时间的推移，这些数据集可能与真实数据集非常接近。

GAN和DCGAN

2014年，伊恩·古德费罗等人提出了GANs或生成对抗网络。GANs由两个简单的组件组成，分别称为生成器和鉴别器。

该过程如下：生成器角色用于生成新数据，而鉴别器角色用于区分生成的数据和实际数据。在理想情况下，鉴别器无法区分生成的数据和真实数据，从而产生理想的合成数据点。

DCGAN是上述GAN结构的直接扩展，只是它在鉴别器和发生器中分别使用了深卷积层。Radford等人在论文中首次描述了深度卷积生成对抗网络的无监督表征学习。鉴别器由跨步卷积层组成，而生成器由卷积转置层组成。

PyTorch实现

在这种方法中，将在DeepTrash数据集。如果你不熟悉DeepTrash数据集，请考虑阅读论文。https://arxiv.org/abs/2105.01882

DeepTrash是海洋表层和深海表层塑料图像的集合，旨在利用计算机视觉进行海洋塑料检测。

让我们开始编码吧！

代码

安装

我们首先安装构建GAN模型的所有基本库，比如Matplotlib和Numpy。

我们还将利用PyTorch的所有工具（如神经网络、转换）。

from __future__ import print_function
#%matplotlib inline
import argparse
import os
import random
import torch
import torch.nn as nn
import torch.nn.parallel
import torch.backends.cudnn as cudnn
import torch.optim as optim
import torch.utils.data
import torchvision.datasets as dset
import torchvision.transforms as transforms
import torchvision.utils as vutils
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation
from IPython.display import HTML

# Set random seem for reproducibility

manualSeed = 999
#manualSeed = random.randint(1, 10000) # use if you want new results
print("Random Seed: ", manualSeed)
random.seed(manualSeed)
torch.manual_seed(manualSeed)

初始化超参数

这一步相当简单。我们将设置我们想要用来训练神经网络的超参数。这些超参数直接来自于论文和PyTorch的训练教程。

# Root directory for dataset
# NOTE you don't have to create this. It will be created for you in the next block!
dataroot = "/content/pgan"

# Number of workers for dataloader
workers =