-
公开(公告)号：CN108021978A
公开(公告)日：2018-05-11
申请号：CN201711124649.4
申请日：2017-11-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于WGAN模型的空洞卷积方法，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中利用空洞卷积对图像进行卷积操作；S5、将空洞卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的基于WGAN模型的空洞卷积方法，改变了判别器、生成器接收图片后的卷积方式，让判别器、生成器能够以更大的范围对图像的特征进行学习，从而能够提高整个网络训练模型的鲁棒性。
-
公开(公告)号：CN107944358A
公开(公告)日：2018-04-20
申请号：CN201711122611.3
申请日：2017-11-14
Applicant: 华南理工大学
CPC classification number: G06K9/00288 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于深度卷积对抗网络模型的人脸生成方法，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、构造深度卷积神经网络充当生成器与判别器；S3、初始化随机噪声，输入生成器中；S4、将人脸图像数据集输入判别器中进行训练；S5、将人脸识别操作得到的损失函数输入生成器进行后续训练。本方法构建的基于人脸识别的原始生成对抗网络模型，通过输入人脸图像数据集，不断提高生成器学习人脸数据分布的能力，从而能够使生成器生成逼真的人脸图像。
-
公开(公告)号：CN107392312A
公开(公告)日：2017-11-24
申请号：CN201710403434.X
申请日：2017-06-01
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于DCGAN性能的动态调整算法，属于深度学习信号处理领域，该动态调整算法包括以下步骤：S1、构造深度卷积生成式对抗网络DCGAN；S2、利用图像数据集对网络进行训练；S3、利用网络损失函数定义生成器和判别器性能；S4、根据生成器和判别器性能定义网络生成图像的能力；S5、实时监控网络训练，实现网络性能的动态调整。本方法能够实时地对DCGAN的性能进行监控，实现了网络生成图像能力的动态调整，保证了生成器和判别器能力的均衡提升，避免了网络训练过程中出现“模式崩溃”的情况，从而让DCGAN生成图像的质量得到保证。
-
公开(公告)号：CN106952130A
公开(公告)日：2017-07-14
申请号：CN201710110168.1
申请日：2017-02-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于协同过滤的通用物品推荐方法，该方法利用基于用户的协同过滤方法，通过欧几里得距离计算用户之间的相似度，得到相似用户集并进一步得出不同用户的候选推荐集；之后再通过对用户初始感兴趣物品属性的分类和特征赋值，计算出候选推荐集的推荐分数，从而得到一种适用性和鲁棒性较强的推荐结果，帮助用户更方便的获取感兴趣的内容。相比于传统的基于人口统计学和基于内容的推荐方法相比，本发明更为注重了用户之间的个体差异性，通过分析用户的历史行为数据，挖掘用户的兴趣进行推荐；因此，推荐结果因人而异，更多的考虑了用户的个人喜好，也可以针对不同的推荐场景定制不同的方法参数。
-
公开(公告)号：CN103491611A
公开(公告)日：2014-01-01
申请号：CN201310400736.3
申请日：2013-09-05
Applicant: 华南理工大学
CPC classification number: Y02D70/00
Abstract: 一种降低基于网络交互的移动终端功耗的方法，包括以下步骤：步骤1、查询帧间隔的本地值与参数典型值；步骤2、当典型值未被查询到或者已过期，则向服务器发送当前程序信息；否则，执行步骤4；步骤3、服务器返回典型值，终端保存或更新典型值；步骤4、若终端已保存有本地值，则调用所述本地值数据；否则调用典型值；步骤5、通过随机选取参数统计的时刻，把获取的信息统计算法运行间隔及对应程序信息到服务器；步骤6、服务器收到本地值，对典型值进行更新；步骤7、当用户关闭本机动态调整屏幕显示时，若终端保存有显示调整参数，则使用本地参数；否则，使用从服务器获取的显示调整参数。具有降低了图像处理算法运算的次数等优点。
-
Patent Agency Ranking
公开(公告)号：CN108090521B
公开(公告)日：2022-04-08
申请号：CN201810031988.6
申请日：2018-01-12
Applicant: 广州视声智能科技股份有限公司 , 广州视声智能股份有限公司 , 华南理工大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明实施例提供了一种生成式对抗网络模型的图像融合方法和判别器，其中，该方法包括：S1：获取到生成器生成的图像；S2：对所述图像进行分解得到颜色通道；S3：在通过预置卷积核对所述颜色通道进行单层卷积得到特征图后，对所述特征图进行融合得到融合后的所述图像；S4：循环执行S2和S3直至卷积次数等于预置次数。本发明在每一层卷积结束之后，都对图像各个颜色通道的特征图进行融合，再进行后续训练。在这种情况下，整个网络的鲁棒性得到了进一步增强。本发明实施例提供了一种生成式对抗网络模型。
-
公开(公告)号：CN107392312B
公开(公告)日：2020-11-24
申请号：CN201710403434.X
申请日：2017-06-01
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于DCGAN性能的动态调整方法，属于深度学习信号处理领域，该动态调整方法包括以下步骤：S1、构造深度卷积生成式对抗网络DCGAN；S2、利用图像数据集对网络进行训练；S3、利用网络损失函数定义生成器和判别器性能；S4、根据生成器和判别器性能定义网络生成图像的能力；S5、实时监控网络训练，实现网络性能的动态调整。本方法能够实时地对DCGAN的性能进行监控，实现了网络生成图像能力的动态调整，保证了生成器和判别器能力的均衡提升，避免了网络训练过程中出现“模式崩溃”的情况，从而让DCGAN生成图像的质量得到保证。
-
公开(公告)号：CN109360160A
公开(公告)日：2019-02-19
申请号：CN201811041442.5
申请日：2018-09-07
Applicant: 华南理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于生成对抗网络模型的去除图像雨雪方法，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、构造神经网络充当生成器与判别器的功能；S3、初始化随机噪声，输入生成器中；S4、利用卷积神经网络得到图像数据集中的雨雪数据分布；S5、每次迭代除去生成器中的雨雪数据分布，进行训练。本方法构建的基于去除图像雨雪的原始生成对抗网络模型，通过提取图像数据集，得到图像雨雪的数据分布，在生成器训练过程中减去雨雪数据分布，从而达到了去除图像雨雪信息的效果。
-
公开(公告)号：CN109359667A
公开(公告)日：2019-02-19
申请号：CN201811041215.2
申请日：2018-09-07
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于WGAN模型的特征重标定卷积方法，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、为每一层卷积设定相应的权值，利用特征重标定卷积对图像进行卷积操作；S5、根据每次训练之后损失函数的变化情况，动态更新每一层卷积的权值进行后续训练。在传统的模型中，图像通过多层卷积能够得到多个特征图，但每张特征图权值相等，本方法能够让生成对抗网络学习每张特征图的权值，即重要程度，为后续的训练提高了效率，同时也通过沃瑟斯坦距离提供了网络训练的方向。
-
公开(公告)号：CN108470196A
公开(公告)日：2018-08-31
申请号：CN201810101317.2
申请日：2018-02-01
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度卷积对抗网络模型生成手写数字的方法，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、构造深度卷积神经网络作为生成器与判别器；S3、初始化随机噪声，输入生成器中；S4、准备好手写数据集，输入至判别器中进行训练；S5、将生成手写数字操作得到的损失函数输入生成器进行后续训练。本发明中生成手写数字的方法构建的深度卷积对抗网络模型，通过将生成器生成图像与手写数字数据集一并输入判别器进行训练，生成器能够自动生成手写数字的图像。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.025 seconds)
