-
公开(公告)号：CN108021979A
公开(公告)日：2018-05-11
申请号：CN201711124813.1
申请日：2017-11-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于原始生成对抗网络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、在神经网络中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。本方法构建的基于原始生成对抗网络模型的特征重标定卷积方法，改变了判别器、生成器接收图片后的卷积方式，通过设定权重，让判别器、生成器能够辨别图像特征的重要程度，从而能够提高整个网络训练模型的效率。
-
公开(公告)号：CN108009568A
公开(公告)日：2018-05-08
申请号：CN201711124627.8
申请日：2017-11-14
Applicant: 华南理工大学 , 广州视声智能股份有限公司 , 广州视声智能科技有限公司
Abstract: 本发明公开了一种基于WGAN模型的行人检测方法，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、准备好行人图像数据集，输入判别器中训练；S5、将行人检测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模型的行人检测方法，引入沃瑟斯坦距离，能够评价整个网络的训练质量，同时通过将行人图像数据集输入判别器中，不断训练判别器的能力，从而能够在复杂的道路图像中准确地判别行人的准确位置。
-
公开(公告)号：CN107943752A
公开(公告)日：2018-04-20
申请号：CN201711124688.4
申请日：2017-11-14
Applicant: 华南理工大学
CPC classification number: G06F17/153 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于文本-图像生成对抗网络模型的可变形卷积方法，属于深度学习神经网络领域，包括以下步骤：S1、构造文本-图像生成对抗网络模型；S2、利用深度卷积神经网络充当生成器、判别器的功能；S3、对文本进行编码之后与随机噪声结合，输入至生成器中；S4、在文本-图像生成对抗网络模型中利用可变形卷积核对图像进行卷积操作；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。本方法构建的基于可变形卷积的文本-图像生成对抗网络模型，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：CN107943751A
公开(公告)日：2018-04-20
申请号：CN201711122542.6
申请日：2017-11-14
Applicant: 华南理工大学
CPC classification number: G06F17/153 , 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独立通道卷积方法，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、在神经网络中利用独立通道卷积对图像进行卷积操作；S5、将独立通道卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的基于独立通道卷积的深度卷积对抗网络模型，改变了判别器、生成器接收图片后的卷积方式，通过将图像的不同通道独立卷积，减少了参数量，同时提高了整个网络的训练效率。
-
公开(公告)号：CN107590530A
公开(公告)日：2018-01-16
申请号：CN201710579117.3
申请日：2017-07-17
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于生成对抗网络的逐层更新算法，属深度学习神经网络领域，包括以下步骤：S1、构造深度卷积生成式对抗网络DCGAN模型；S2、输入图像数据集，对DCGAN模型进行训练；S3、记录图像生成器逐层转置卷积得到的特征图；S4、记录图像判别器逐层卷积得到的特征图；S5、比较特征图的差值，用梯度下降方法对图像生成器的权值参数进行更新。传统方法只关注图像生成器生成图像的最终结果，导致图像生成器需要通过更多的训练时间才能学习到数据集的特征，同时无法准确学习到数据集中特征的细节；而本方法逐层地对图像生成器学习到的特征进行调整，既减小了训练时间，又能够让图像生成器学习到的图像特征更加精确。
-
Patent Agency Ranking
公开(公告)号：CN107563995A
公开(公告)日：2018-01-09
申请号：CN201710690217.3
申请日：2017-08-14
Applicant: 华南理工大学
IPC: G06T7/00
Abstract: 本发明公开了一种多判别器误差反传的对抗网络方法，属于深度学习神经网络领域，该模型的建立包括以下步骤：S1、构造生成对抗网络GAN模型；S2、在现有GAN模型的基础上构造多个判别器；S3、准备好数据集对改进之后的多判别器网络进行训练；S4、在每次训练的过程中，记录所有判别器的损失函数；S5、计算所有判别器损失函数的平均值，返回至生成器进行后续的网络训练。本方法能够解决在网络训练的过程中，由于判别器单一而导致的网络健壮性差的问题，并构造多个判别器的生成对抗网络，能够从更加客观的角度去评判生成器生成图像的“真假”，从而使整个生成对抗网络的训练效果更好。
-
公开(公告)号：CN107563493A
公开(公告)日：2018-01-09
申请号：CN201710579116.9
申请日：2017-07-17
Applicant: 华南理工大学
Abstract: 本发明公开了一种多生成器卷积合成图像的对抗网络算法，属于深度学习神经网络领域，包括以下步骤：S1、构造深度卷积生成式对抗网络DCGAN模型；S2、构造多个记录图像生成器；S3、初始化随机噪声，分别输入每一个记录图像生成器中；S4、采用不同大小的卷积核，对所有生成器生成的图像进行卷积，获得多张特征图；S5、将多张图像合成至一张，输入至记录图像判别器进行训练。本方法构建的多生成器DCGAN模型，相比于传统的DCGAN模型，增加了生成器的数量。由于在每次训练过程中，多个生成器并行工作，所以能够更加快速地学习到数据集中的多种特征，从而能够高效地生成满足数据集特征的图像。
-
公开(公告)号：CN103810980B
公开(公告)日：2016-01-06
申请号：CN201410033467.6
申请日：2014-01-23
Applicant: 华南理工大学
IPC: G09G3/36
Abstract: 本发明公开了一种基于图像出现频率的液晶显示器功耗降低方法，其中本发明针对与缓存中直方图或前一帧图像直方图不相似的图像，计算该图像所对应增益系数α，采用新计算的增益系数α对液晶显示器的光透过率和背光光强分别进行调整；针对与缓存中直方图或前一帧图像直方图相似的图像，本发明则直接调用直方图相似图像所对应增益系数α对液晶显示器的光透过率和背光光强分别进行调整。当屏幕点亮的次数为x的整数倍时，将缓存更新为连续出现频率较高的一些图像及它们对应的增益系数α；本发明利用了图像的重复性出现以及终端的锁屏界面和主屏幕变化不频繁的性质调节液晶显示器的背光，大大减少了增益系数α的计算量，具有功耗低的优点。
-
公开(公告)号：CN103810980A
公开(公告)日：2014-05-21
申请号：CN201410033467.6
申请日：2014-01-23
Applicant: 华南理工大学
IPC: G09G3/36
Abstract: 本发明公开了一种基于图像出现频率的液晶显示器功耗降低方法，其中本发明针对与缓存中直方图或前一帧图像直方图不相似的图像，计算该图像所对应增益系数α，采用新计算的增益系数α对液晶显示器的光透过率和背光光强分别进行调整；针对与缓存中直方图或前一帧图像直方图相似的图像，本发明则直接调用直方图相似图像所对应增益系数α对液晶显示器的光透过率和背光光强分别进行调整。当屏幕点亮的次数为x的整数倍时，将缓存更新为连续出现频率较高的一些图像及它们对应的增益系数α；本发明利用了图像的重复性出现以及终端的锁屏界面和主屏幕变化不频繁的性质调节液晶显示器的背光，大大减少了增益系数α的计算量，具有功耗低的优点。
-
公开(公告)号：CN106709076B
公开(公告)日：2023-09-29
申请号：CN201710106305.4
申请日：2017-02-27
Applicant: 华南理工大学
IPC: G06F16/9535 , G06F16/9537 , G06F16/906 , G06Q50/00
Abstract: 本发明公开了一种基于协同过滤的社交网络推荐装置及方法，该推荐装置通过对社交网络中的用户行为数据和个人属性进行特征归类，根据用户的历史数据，不断学习用户的交友偏好，个性化的推荐不同的好友。相较于传统的基于人口统计学和基于内容的推荐装置相比，该推荐装置强调了用户之间的差异性，可针对用户的历史数据不断学习并革新推荐引擎，具有更强的鲁棒性。并且，利用协同过滤思想，更符合用户在真实社交场景中的交友情景，推荐的结果也会趋向于精确化。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.031 seconds)
