-
公开(公告)号：CN111914929B
公开(公告)日：2022-08-23
申请号：CN202010750578.4
申请日：2020-07-30
Applicant: 南京邮电大学
Abstract: 本发明提供了一种零样本学习方法，通过从可见类别样本到不可见类别样本进行知识迁移，以识别从未见过的数据类别，主要包括以下步骤：获取训练特征数据集；搭建基于生成网络、噪声自编码器、回归网络以及判别网络的零样本学习模型；训练生成网络和噪声自编码器；训练判别网络；得到总目标函数，并进行迭代以达到算法优化的目的。本发明通过知识迁移，融合属性和词向量两种语义特征，在对抗机制下进行训练以最小化真实样本和生成样本的分布差异，并通过回归网络将视觉特征映射到语义特征，有效地解决了模型预测结果邻域迁移的问题，可以对难以标注的样例进行识别，同时减小识别成本。
-
公开(公告)号：CN112818646A
公开(公告)日：2021-05-18
申请号：CN202110219192.5
申请日：2021-02-26
Applicant: 南京邮电大学
IPC: G06F40/166 , G06T3/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于生成对抗网络和动态编辑模块的根据文本编辑图片的方法，通过生成器和判别器的对抗训练，使得生成器最终能够将给定的图片编辑为与文本描述相匹配的图片。主要包括以下步骤：获取文本与图片匹配的数据集、搭建基于生成对抗网络的生成对抗模型；通过梯度下降法迭代训练生成网络和判别网络。最终获得一个能够有效根据文本编辑已有图片的生成器。本发明通过生成器中的动态编辑模块以及动态卷积模块，将文本信息融合进图片解码过程中；通过对判别器的零中心匹配梯度惩罚，促使生成器生成的图片与给定的文本匹配；有效地解决了编辑的图片细节缺失，编辑后的图片与给定文本不匹配的问题。
-
公开(公告)号：CN112818646B
公开(公告)日：2023-07-14
申请号：CN202110219192.5
申请日：2021-02-26
Applicant: 南京邮电大学
IPC: G06F40/166 , G06T3/00 , G06F18/214 , G06N3/0464 , G06N3/049 , G06N3/084
Abstract: 本发明提出了一种基于生成对抗网络和动态编辑模块的根据文本编辑图片的方法，通过生成器和判别器的对抗训练，使得生成器最终能够将给定的图片编辑为与文本描述相匹配的图片。主要包括以下步骤：获取文本与图片匹配的数据集、搭建基于生成对抗网络的生成对抗模型；通过梯度下降法迭代训练生成网络和判别网络。最终获得一个能够有效根据文本编辑已有图片的生成器。本发明通过生成器中的动态编辑模块以及动态卷积模块，将文本信息融合进图片解码过程中；通过对判别器的零中心匹配梯度惩罚，促使生成器生成的图片与给定的文本匹配；有效地解决了编辑的图片细节缺失，编辑后的图片与给定文本不匹配的问题。
-
公开(公告)号：CN111914929A
公开(公告)日：2020-11-10
申请号：CN202010750578.4
申请日：2020-07-30
Applicant: 南京邮电大学
Abstract: 本发明提供了一种零样本学习方法，通过从可见类别样本到不可见类别样本进行知识迁移，以识别从未见过的数据类别，主要包括以下步骤：获取训练特征数据集；搭建基于生成网络、噪声自编码器、回归网络以及判别网络的零样本学习模型；训练生成网络和噪声自编码器；训练判别网络；得到总目标函数，并进行迭代以达到算法优化的目的。本发明通过知识迁移，融合属性和词向量两种语义特征，在对抗机制下进行训练以最小化真实样本和生成样本的分布差异，并通过回归网络将视觉特征映射到语义特征，有效地解决了模型预测结果邻域迁移的问题，可以对难以标注的样例进行识别，同时减小识别成本。
-
-
-
Search Results
4
records
(took 0.019 seconds)
