-
公开(公告)号：CN107886169B
公开(公告)日：2021-02-12
申请号：CN201711124737.4
申请日：2017-11-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于文本‑图像生成对抗网络模型的多尺度卷积核方法，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多尺度卷积对图像进行卷积操作；S5、将多尺度卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的文本‑图像生成对抗网络模型，通过多尺度卷积改变判别器、生成器接收图片后的卷积方式，从原来的针对单层图像通道只使用1个卷积核的操作转变为同时采用多个卷积核，使得整个网络能够在对单层图像通道卷积时学习到更多特征，提高了网络训练的效率。
-
公开(公告)号：CN107563509B
公开(公告)日：2020-11-24
申请号：CN201710579119.2
申请日：2017-07-17
Applicant: 华南理工大学
IPC: G06N3/08
Abstract: 本发明公开了一种基于特征返回的条件DCGAN模型的动态调整方法，属于深度学习神经网络领域，该算法步骤如下：构造深度卷积生成式对抗网络DCGAN模型；对DCGAN模型进行训练；在判别器的卷积层中，对每一层卷积之后的图像特征数据记为特征数据记录Xi；将所有Xi进行维度扩展；S5、将维度扩展后的特征数据记录Xi与输入生成器中的噪声结合输入到记录图像生成器中进行训练。本方法能够解决在网络训练初期，生成器生成图像不符合数据集特征的问题，使生成器通过学习判别器中卷积过程的图像特征，以更高的效率学习到数据集中的图像特征，从而能够以更快的速度生成符合数据集特征的图像，能够较大程度地减小网络训练所需要的时间。
-
公开(公告)号：CN109344879A
公开(公告)日：2019-02-15
申请号：CN201811041222.2
申请日：2018-09-07
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于文本-图像对抗网络模型的分解卷积方法，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随机噪声结合，输入至生成器中；S4、对在文本-图像生成对抗网络的卷积核进行分解操作；S5、将分解卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的基于分解卷积的文本-图像对抗网络模型，改变了判别器、生成器接收图片后的卷积方式，让判别器、生成器能够学习到数据集图像中更加细节的特征，同时减少了参数量，从能够提高整个网络训练模型的效率。
-
公开(公告)号：CN107944546A
公开(公告)日：2018-04-20
申请号：CN201711122573.1
申请日：2017-11-14
Applicant: 华南理工大学
CPC classification number: G06N3/0454 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种基于原始生成对抗网络模型的残差网络方法，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、在神经网络中利用残差网络对图像进行卷积操作；S5、将残差网络操作得到的损失函数输入生成器进行后续训练。本方法构建的基于残差网络的原始生成对抗网络模型，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：CN107886169A
公开(公告)日：2018-04-06
申请号：CN201711124737.4
申请日：2017-11-14
Applicant: 华南理工大学
CPC classification number: G06N3/08 , G06K9/6256
Abstract: 本发明公开了一种基于文本-图像生成对抗网络模型的多尺度卷积核方法，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多尺度卷积对图像进行卷积操作；S5、将多尺度卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的文本-图像生成对抗网络模型，通过多尺度卷积改变判别器、生成器接收图片后的卷积方式，从原来的针对单层图像通道只使用1个卷积核的操作转变为同时采用多个卷积核，使得整个网络能够在对单层图像通道卷积时学习到更多特征，提高了网络训练的效率。
-
Patent Agency Ranking
公开(公告)号：CN107862734A
公开(公告)日：2018-03-30
申请号：CN201711124676.1
申请日：2017-11-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于生成对抗网络的渲染图像光照方法，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、在判别器中得到图像数据集的光照数据分布；S5、将光照数据分布作线性变换之后输入生成器进行后续训练。本方法构建的基于渲染图像光照的原始生成对抗网络模型，通过提取图像数据集中的光照数据，并对其分布进行线性变换，最后输入至生成器中进行训练，从而达到了编辑图像光照的效果。
-
公开(公告)号：CN107590532A
公开(公告)日：2018-01-16
申请号：CN201710690207.X
申请日：2017-08-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于WGAN的超参数动态调整方法，属于深度学习神经网络领域，该超参数动态调整方法包括以下步骤：S1、构造沃瑟斯坦生成式对抗网络WGAN模型；S2、输入图像数据集，设置默认的超参数λ，对网络进行训练；S3、在第i次迭代的过程中，记录判别器的损失函数Xi；S4、在第i+1次的迭代过程中，记录判别器的损失函数为Xi+1；S5、计算Xi-Xi+1的差值，动态调整超参数λ的数值。本方法能够解决在网络训练的过程中，由超参数引起的网络震荡问题，动态调整超参数λ，能够使判别器灵活地学习数据集中的特征，增强自身损失函数递减的稳定性，从而使整个生成对抗网络的训练效果更好。
-
公开(公告)号：CN107563509A
公开(公告)日：2018-01-09
申请号：CN201710579119.2
申请日：2017-07-17
Applicant: 华南理工大学
IPC: G06N3/08
Abstract: 本发明公开了一种基于特征返回的条件DCGAN模型的动态调整算法，属于深度学习神经网络领域，该算法步骤如下：构造深度卷积生成式对抗网络DCGAN模型；对DCGAN模型进行训练；在判别器的卷积层中，对每一层卷积之后的图像特征数据记为特征数据记录Xi；将所有Xi进行维度扩展；S5、将维度扩展后的特征数据记录Xi与输入生成器中的噪声结合输入到记录图像生成器中进行训练。本方法能够解决在网络训练初期，生成器生成图像不符合数据集特征的问题，使生成器通过学习判别器中卷积过程的图像特征，以更高的效率学习到数据集中的图像特征，从而能够以更快的速度生成符合数据集特征的图像，能够较大程度地减小网络训练所需要的时间。
-
公开(公告)号：CN106709076A
公开(公告)日：2017-05-24
申请号：CN201710106305.4
申请日：2017-02-27
Applicant: 华南理工大学
CPC classification number: G06F17/30867 , G06Q50/01
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。
-
公开(公告)号：CN109360159A
公开(公告)日：2019-02-19
申请号：CN201811041268.4
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图像补全方法，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、去除数据集图像中的部分像素，输入生成器中；S4、在生成器中运用卷积神经网络对图像进行补全；S5、将补全之后的图像与数据集图像输入判别器中判别，更新损失函数。本方法构建的基于图像补全的生成对抗网络模型，改变了生成器接收的信息，从噪声改成了去除部分像素的图像，通过生成器与判别器的对抗训练，使生成器能自动补全缺失的部分像素。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.036 seconds)
