CN108197700A - 一种生成式对抗网络建模方法及装置 - Google Patents
一种生成式对抗网络建模方法及装置 Download PDFInfo
- Publication number
- CN108197700A CN108197700A CN201810031539.1A CN201810031539A CN108197700A CN 108197700 A CN108197700 A CN 108197700A CN 201810031539 A CN201810031539 A CN 201810031539A CN 108197700 A CN108197700 A CN 108197700A
- Authority
- CN
- China
- Prior art keywords
- generator
- gradient
- network
- training image
- arbiter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种生成式对抗网络建模方法及装置,其中,该方法包括:S1:通过残差网络构建生成器和判别器;S2:向所述生成器输入噪声生成训练图像,将所述生成器的浅层神经网络的梯度叠加至所述生成器的深层神经网络中,得到叠加梯度后的生成器;S3:将所述训练图像输入所述判别器进行判别,得到沃瑟斯坦距离,再在所述判别器对所述训练图像进行卷积操作后,得到损失函数,并将所述损失函数反馈至叠加梯度后的所述生成器;S4:判断所述沃瑟斯坦距离是否小于预置距离值,若不小于,则重新执行S2,若小于,则结束。
Description
技术领域
本发明涉及深度学习神经网络技术领域,尤其涉及一种生成式对抗网络建模方法及装置。
背景技术
生成式对抗网络(Generative Adversarial Network,GAN)是由Goodfellow在2014年提出的深度学习框架,它基于“博弈论”的思想,构造生成器(generator)和判别器(discriminator)两种模型,前者通过输入(0,1)的均匀噪声或高斯随机噪声生成图像,后者对输入的图像进行判别,确定是来自数据集的图像还是由生成器产生的图像。
在传统的对抗网络模型中,卷积神经网络的梯度是逐层向深层传递的,在训练的过程中,梯度会随着卷积神经网络的深入而逐渐变小甚至消失,这种情况导致的结果是网络训练的效率低下。
因此,当前生成式对抗网络模型训练过程中,随着卷积神经网络的深入梯度会逐渐变小导致网络训练效率低下成为本领域技术人员亟待解决的技术问题。
发明内容
本发明实施例提供了一种生成式对抗网络建模方法及装置,解决了当前生成式对抗网络模型训练过程中,随着卷积神经网络的深入梯度会逐渐变小导致网络训练效率低下的技术问题。
本发明实施例提供了一种生成式对抗网络建模方法,包括:
S1:通过残差网络构建生成器和判别器;
S2:向所述生成器输入噪声生成训练图像,将所述生成器的浅层神经网络的梯度叠加至所述生成器的深层神经网络中,得到叠加梯度后的生成器;
S3:将所述训练图像输入所述判别器进行判别,得到沃瑟斯坦距离,再在所述判别器对所述训练图像进行卷积操作后,得到损失函数,并将所述损失函数反馈至叠加梯度后的所述生成器;
S4:判断所述沃瑟斯坦距离是否小于预置距离值,若不小于,则重新执行S2,若小于,则结束。
优选地,步骤S2具体为:
向所述生成器输入噪声生成训练图像,获取到所述生成器的浅层神经网络的梯度,通过预置公式将所述生成器的浅层神经网络的梯度叠加至所述生成器的深层神经网络的梯度上,得到叠加梯度后的生成器;
其中,所述预置公式为:
z=Relu(x+y)
式中,z为叠加后的梯度,x为浅层神经网络的梯度,y为深层神经网络的梯度,Relu为激活函数,当x>0时,f(x)=x,当x<0时,f(x)=0。
优选地,所述噪声为随机噪声。
优选地,步骤S3具体为:
将所述训练图像输入所述判别器进行判别,得到判别结果和沃瑟斯坦距离,再在所述判别器对所述训练图像进行卷积操作后,且在所述判别器根据所述判别结果和卷积后的训练图像的分布生成损失函数后,将所述损失函数反馈至叠加梯度后的所述生成器;
其中,所述损失函数的表达式为:
式中,D(x)为判别器对训练图像的判别结果,pr表示预置数据集图像的分布,pg表示卷积后的训练图像的分布,λ为超参数,为梯度。
优选地,本发明实施例还提供了一种生成式对抗网络建模装置,包括:
构建单元,用于通过残差网络构建生成器和判别器;
叠加单元,用于向所述生成器输入噪声生成训练图像,将所述生成器的浅层神经网络的梯度叠加至所述生成器的深层神经网络中,得到叠加梯度后的生成器;
判别单元,用于将所述训练图像输入所述判别器进行判别,得到沃瑟斯坦距离,再在所述判别器对所述训练图像进行卷积操作后,得到损失函数,并将所述损失函数反馈至叠加梯度后的所述生成器;
判断单元,用于判断所述沃瑟斯坦距离是否小于预置距离值,若不小于,则重新触发叠加单元,若小于,则结束。
优选地,叠加单元还用于向所述生成器输入噪声生成训练图像,获取到所述生成器的浅层神经网络的梯度,通过预置公式将所述生成器的浅层神经网络的梯度叠加至所述生成器的深层神经网络的梯度上,得到叠加梯度后的生成器;
其中,所述预置公式为:
z=Relu(x+y)
式中,z为叠加后的梯度,x为浅层神经网络的梯度,y为深层神经网络的梯度,Relu为激活函数,当x>0时,f(x)=x,当x<0时,f(x)=0。
优选地,所述噪声为随机噪声。
优选地,判别单元还用于将所述训练图像输入所述判别器进行判别,得到判别结果和沃瑟斯坦距离,再在所述判别器对所述训练图像进行卷积操作后,且在所述判别器根据所述判别结果和卷积后的训练图像的分布生成损失函数后,将所述损失函数反馈至叠加梯度后的所述生成器;
其中,所述损失函数的表达式为:
式中,D(x)为判别器对训练图像的判别结果,pr表示预置数据集图像的分布,pg表示卷积后的训练图像的分布,λ为超参数,为梯度。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例提供了一种生成式对抗网络建模方法及装置,其中,该方法包括:S1:通过残差网络构建生成器和判别器;S2:向所述生成器输入噪声生成训练图像,将所述生成器的浅层神经网络的梯度叠加至所述生成器的深层神经网络中,得到叠加梯度后的生成器;S3:将所述训练图像输入所述判别器进行判别,得到沃瑟斯坦距离,再在所述判别器对所述训练图像进行卷积操作后,得到损失函数,并将所述损失函数反馈至叠加梯度后的所述生成器;S4:判断所述沃瑟斯坦距离是否小于预置距离值,若不小于,则重新执行S2,若小于,则结束。本发明通过将残差网络运用到深度卷积对抗网络模型中,将浅层神经网络的梯度直接加到深层神经网络中去,避免了梯度逐层传递而消失的情况,且提高了网络训练的效率,同时利用沃瑟斯坦距离作为生成对抗网络的评判指标,从而使整个模型的训练能够往正确的方向进行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种生成式对抗网络建模方法的一个实施例的流程示意图;
图2为本发明提供的一种生成式对抗网络建模方法的另一个实施例的流程示意图;
图3为本发明提供的一种生成式对抗网络建模装置的一个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种生成式对抗网络建模方法及装置,解决了当前生成式对抗网络模型训练过程中,随着卷积神经网络的深入梯度会逐渐变小导致网络训练效率低下的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供的一种生成式对抗网络建模方法的一个实施例,包括:
101、通过残差网络构建生成器和判别器;
需要说明的是,生成器和判别器是生成式对抗网络中必不可少的两个部分,有多种网络可以充当生成器和判别器的功能,本发明通过残差网络构建生成器和判别器。
102、向生成器输入噪声生成训练图像,将生成器的浅层神经网络的梯度叠加至生成器的深层神经网络中,得到叠加梯度后的生成器;
在通过残差网络生成器和判别器后,向生成器输入噪声生成训练图像。残差网络包括浅层神经网络和深层神经网络,在训练的过程中,由于生成器神经网络的梯度会随着神经网络的深入而逐渐变小甚至消失,本发明将生成器的浅层神经网络的梯度叠加至生成器的深层神经网络中,得到叠加梯度后的生成器。
103、将训练图像输入判别器进行判别,得到沃瑟斯坦距离,再在判别器对训练图像进行卷积操作后,得到损失函数,并将损失函数反馈至叠加梯度后的生成器;
可以理解的是,生成器根据噪音生成训练图像后,将训练图像输入至判别器中进行判别,得到判别结果和作为评判指标的沃瑟斯坦距离。然后在判别器对训练图像进行卷积得到损失函数后,将损失函数发送至叠加梯度后的生成器,生成器可以根据损失函数改变自身的参数。
104、判断沃瑟斯坦距离是否小于预置距离值,若不小于,则重新执行102,若小于,则结束。
得到沃瑟斯坦距离后,判断该距离是否小于预置距离值,需要说明的是,该预置距离值可根据实际需要进行设定,此处不做限定。若该沃瑟斯坦距离不小于预置距离值,则重新执行步骤102,可以理解的是,重新执行步骤102时,输入噪声的生成器已为叠加梯度后的生成器,即可以实现对整个生成式对抗网络的反复训练。若该沃瑟斯坦距离小于预置距离值,则结束,得到一个参数优化后的生成式对抗网络。
本发明通过将残差网络运用到深度卷积对抗网络模型中,将浅层神经网络的梯度直接加到深层神经网络中去,避免了梯度逐层传递而消失的情况,且提高了网络训练的效率,同时利用沃瑟斯坦距离作为生成对抗网络的评判指标,从而使整个模型的训练能够往正确的方向进行。
以上为一种生成式对抗网络建模方法的一个实施例,为进行更具体的说明,下面提供一种生成式对抗网络建模方法的另一个实施例,请参阅图2,本发明提供的一种生成式对抗网络建模方法的另一个实施例,包括:
201、通过残差网络构建生成器和判别器;
本发明通过残差网络构建原始生成式对抗网络的生成器和判别器。生成器和判别器中均构造有多个卷积核,卷积核是神经网络学习图像特征的工具,在处理图像的过程中,不同的卷积核意味着能够在网络训练的过程中学习到生成图像的不同特征。在实际应用中,应该根据数据集图像特征的复杂程度,设置卷积核的个数。
202、向生成器输入噪声生成训练图像,获取到生成器的浅层神经网络的梯度,通过预置公式将生成器的浅层神经网络的梯度叠加至生成器的深层神经网络的梯度上,得到叠加梯度后的生成器;
在本实施例中,向生成器输入随机噪声生成训练图像。由于在传统的对抗式网络训练过程中,神经网络的梯度会随着网络的深入而递减,影响训练的效率,因此,本发明通过预置公式将生成器的浅层神经网络的梯度叠加至生成器的深层神经网络的梯度上,避免了梯度逐层传递而消失的情况。
其中,预置公式为:
z=Relu(x+y)
式中,z为叠加后的梯度,x为浅层神经网络的梯度,y为深层神经网络的梯度,Relu为激活函数,当x>0时,f(x)=x,当x<0时,f(x)=0。
203、将训练图像输入判别器进行判别,得到判别结果和沃瑟斯坦距离,再在判别器对训练图像进行卷积操作后,且在判别器根据判别结果和卷积后的训练图像的分布生成损失函数后,将损失函数反馈至叠加梯度后的生成器;
在生成器根据随机噪声生成训练图像后,可以理解的是,该训练图像包含一定的图像特征。首先判别器计算训练图像与预置数据集图像的差距,得到沃瑟斯坦距离。然后将训练图像输入至判别器,判别器会对该图像进行卷积操作,得到损失函数。在得到损失函数后,将损失函数返回至梯度叠加后的生成器,损失函数的作用是衡量判别器对训练图像判断的能力。损失函数的值越小,说明在当前迭代中,判别器能够有较好的性能辨别生成器的生成图像,反之则说明判别器的性能较差。其中,损失函数的表达式为:
式中,D(x)为判别器对训练图像的判别结果,pr表示预置数据集图像的分布,pg表示卷积后的训练图像的分布,λ为超参数,为梯度。
204、判断沃瑟斯坦距离是否小于预置距离值,若不小于,则重新执行202,若小于,则结束。
得到沃瑟斯坦距离后,判断该距离是否小于预置距离值,需要说明的是,该预置距离值可根据实际需要进行设定,此处不做限定。若该沃瑟斯坦距离不小于预置距离值,则重新执行步骤202,可以理解的是,神经网络的训练是需要不断重复学习、更新网络参数,才能达到良好效果,重新执行步骤102时,输入噪声的生成器已为叠加梯度后的生成器,即可以实现对整个生成式对抗网络的反复训练。若该沃瑟斯坦距离小于预置距离值,则结束,得到一个参数优化后的生成式对抗网络。
以上是对本发明提供的一种生成式对抗网络建模方法的实施例进行的详细说明,下面对本发明提供的一种生成式对抗网络建模装置的一个实施例进行说明,请参阅图3,该实施例包括:
构建单元301,用于通过残差网络构建生成器和判别器;
叠加单元302,用于向生成器输入噪声生成训练图像,将生成器的浅层神经网络的梯度叠加至生成器的深层神经网络中,得到叠加梯度后的生成器;
判别单元303,用于将训练图像输入判别器进行判别,得到沃瑟斯坦距离,再在判别器对训练图像进行卷积操作后,得到损失函数,并将损失函数反馈至叠加梯度后的生成器;
判断单元304,用于判断沃瑟斯坦距离是否小于预置距离值,若不小于,则重新触发叠加单元302,若小于,则结束。
在本实施例中,叠加单元302还用于向生成器输入噪声生成训练图像,获取到生成器的浅层神经网络的梯度,通过预置公式将生成器的浅层神经网络的梯度叠加至生成器的深层神经网络的梯度上,得到叠加梯度后的生成器;
其中,预置公式为:
z=Relu(x+y)
式中,z为叠加后的梯度,x为浅层神经网络的梯度,y为深层神经网络的梯度,Relu为激活函数,当x>0时,f(x)=x,当x<0时,f(x)=0。
在本实施例中,噪声为随机噪声。
在本实施例中,判别单元303还用于将训练图像输入判别器进行判别,得到判别结果和沃瑟斯坦距离,再在判别器对训练图像进行卷积操作后,且在判别器根据判别结果和卷积后的训练图像的分布生成损失函数后,将损失函数反馈至叠加梯度后的生成器;
其中,损失函数的表达式为:
式中,D(x)为判别器对训练图像的判别结果,pr表示预置数据集图像的分布,pg表示卷积后的训练图像的分布,λ为超参数,为梯度。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种生成式对抗网络建模方法,其特征在于,包括:
S1:通过残差网络构建生成器和判别器;
S2:向所述生成器输入噪声生成训练图像,将所述生成器的浅层神经网络的梯度叠加至所述生成器的深层神经网络中,得到叠加梯度后的生成器;
S3:将所述训练图像输入所述判别器进行判别,得到沃瑟斯坦距离,再在所述判别器对所述训练图像进行卷积操作后,得到损失函数,并将所述损失函数反馈至叠加梯度后的所述生成器;
S4:判断所述沃瑟斯坦距离是否小于预置距离值,若不小于,则重新执行S2,若小于,则结束。
2.根据权利要求1所述的生成式对抗网络建模方法,其特征在于,步骤S2具体为:
向所述生成器输入噪声生成训练图像,获取到所述生成器的浅层神经网络的梯度,通过预置公式将所述生成器的浅层神经网络的梯度叠加至所述生成器的深层神经网络的梯度上,得到叠加梯度后的生成器;
其中,所述预置公式为:
z=Relu(x+y)
式中,z为叠加后的梯度,x为浅层神经网络的梯度,y为深层神经网络的梯度,Relu为激活函数,当x>0时,f(x)=x,当x<0时,f(x)=0。
3.根据权利要求2所述的生成式对抗网络建模方法,其特征在于,所述噪声为随机噪声。
4.根据权利要求1所述的生成式对抗网络建模方法,其特征在于,步骤S3具体为:
将所述训练图像输入所述判别器进行判别,得到判别结果和沃瑟斯坦距离,再在所述判别器对所述训练图像进行卷积操作后,且在所述判别器根据所述判别结果和卷积后的训练图像的分布生成损失函数后,将所述损失函数反馈至叠加梯度后的所述生成器;
其中,所述损失函数的表达式为:
式中,D(x)为判别器对训练图像的判别结果,pr表示预置数据集图像的分布,pg表示卷积后的训练图像的分布,λ为超参数,为梯度。
5.一种生成式对抗网络建模装置,其特征在于,包括:
构建单元,用于通过残差网络构建生成器和判别器;
叠加单元,用于向所述生成器输入噪声生成训练图像,将所述生成器的浅层神经网络的梯度叠加至所述生成器的深层神经网络中,得到叠加梯度后的生成器;
判别单元,用于将所述训练图像输入所述判别器进行判别,得到沃瑟斯坦距离,再在所述判别器对所述训练图像进行卷积操作后,得到损失函数,并将所述损失函数反馈至叠加梯度后的所述生成器;
判断单元,用于判断所述沃瑟斯坦距离是否小于预置距离值,若不小于,则重新触发叠加单元,若小于,则结束。
6.根据权利要求5所述的生成式对抗网络建模装置,其特征在于,叠加单元还用于向所述生成器输入噪声生成训练图像,获取到所述生成器的浅层神经网络的梯度,通过预置公式将所述生成器的浅层神经网络的梯度叠加至所述生成器的深层神经网络的梯度上,得到叠加梯度后的生成器;
其中,所述预置公式为:
z=Relu(x+y)
式中,z为叠加后的梯度,x为浅层神经网络的梯度,y为深层神经网络的梯度,Relu为激活函数,当x>0时,f(x)=x,当x<0时,f(x)=0。
7.根据权利要求6所述的生成式对抗网络建模装置,其特征在于,所述噪声为随机噪声。
8.根据权利要求5所述的生成式对抗网络建模装置,其特征在于,判别单元还用于将所述训练图像输入所述判别器进行判别,得到判别结果和沃瑟斯坦距离,再在所述判别器对所述训练图像进行卷积操作后,且在所述判别器根据所述判别结果和卷积后的训练图像的分布生成损失函数后,将所述损失函数反馈至叠加梯度后的所述生成器;
其中,所述损失函数的表达式为:
式中,D(x)为判别器对训练图像的判别结果,pr表示预置数据集图像的分布,pg表示卷积后的训练图像的分布,λ为超参数,为梯度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031539.1A CN108197700A (zh) | 2018-01-12 | 2018-01-12 | 一种生成式对抗网络建模方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031539.1A CN108197700A (zh) | 2018-01-12 | 2018-01-12 | 一种生成式对抗网络建模方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108197700A true CN108197700A (zh) | 2018-06-22 |
Family
ID=62588891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810031539.1A Pending CN108197700A (zh) | 2018-01-12 | 2018-01-12 | 一种生成式对抗网络建模方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197700A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986835A (zh) * | 2018-08-28 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 基于改进gan网络的语音去噪方法、装置、设备及介质 |
CN109131348A (zh) * | 2018-07-24 | 2019-01-04 | 大连理工大学 | 一种基于生成式对抗网络的智能车驾驶决策方法 |
CN109284280A (zh) * | 2018-09-06 | 2019-01-29 | 百度在线网络技术(北京)有限公司 | 仿真数据优化方法、装置及存储介质 |
CN109902602A (zh) * | 2019-02-16 | 2019-06-18 | 北京工业大学 | 一种基于对抗神经网络数据增强的机场跑道异物材料识别方法 |
CN110197514A (zh) * | 2019-06-13 | 2019-09-03 | 南京农业大学 | 一种基于生成式对抗网络的蘑菇表型图像生成方法 |
CN110211122A (zh) * | 2019-06-12 | 2019-09-06 | 京东方科技集团股份有限公司 | 一种检测图像处理方法及装置 |
CN110363215A (zh) * | 2019-05-31 | 2019-10-22 | 中国矿业大学 | 基于生成式对抗网络的sar图像转化为光学图像的方法 |
WO2020258667A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | 图像识别方法及装置、非易失性可读存储介质、计算机设备 |
CN113065635A (zh) * | 2021-02-27 | 2021-07-02 | 华为技术有限公司 | 一种模型的训练方法、图像增强方法及设备 |
CN113168589A (zh) * | 2019-01-10 | 2021-07-23 | 株式会社日立制作所 | 数据生成装置、预测器学习装置、数据生成方法和学习方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
CN107563510A (zh) * | 2017-08-14 | 2018-01-09 | 华南理工大学 | 一种基于深度卷积神经网络的wgan模型方法 |
-
2018
- 2018-01-12 CN CN201810031539.1A patent/CN108197700A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
CN107563510A (zh) * | 2017-08-14 | 2018-01-09 | 华南理工大学 | 一种基于深度卷积神经网络的wgan模型方法 |
Non-Patent Citations (2)
Title |
---|
IAN J. GOODFELLOW ET AL.: "Generative Adversarial Nets", 《ARXIV:1406.2661V1 [STAT.ML] 10 JUN 2014》 * |
KAIMING HE ET AL.: "Deep Residual Learning for Image Recognition", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109131348A (zh) * | 2018-07-24 | 2019-01-04 | 大连理工大学 | 一种基于生成式对抗网络的智能车驾驶决策方法 |
CN108986835A (zh) * | 2018-08-28 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 基于改进gan网络的语音去噪方法、装置、设备及介质 |
CN109284280A (zh) * | 2018-09-06 | 2019-01-29 | 百度在线网络技术(北京)有限公司 | 仿真数据优化方法、装置及存储介质 |
US12014258B2 (en) | 2018-09-06 | 2024-06-18 | Baidu Online Network Technology (Beijing) Co. Ltd. | Method and device for optimizing simulation data, and computer-readable storage medium |
CN113168589B (zh) * | 2019-01-10 | 2024-06-04 | 株式会社日立制作所 | 数据生成装置、预测器学习装置、数据生成方法和学习方法 |
CN113168589A (zh) * | 2019-01-10 | 2021-07-23 | 株式会社日立制作所 | 数据生成装置、预测器学习装置、数据生成方法和学习方法 |
CN109902602B (zh) * | 2019-02-16 | 2021-04-30 | 北京工业大学 | 一种基于对抗神经网络数据增强的机场跑道异物材料识别方法 |
CN109902602A (zh) * | 2019-02-16 | 2019-06-18 | 北京工业大学 | 一种基于对抗神经网络数据增强的机场跑道异物材料识别方法 |
CN110363215A (zh) * | 2019-05-31 | 2019-10-22 | 中国矿业大学 | 基于生成式对抗网络的sar图像转化为光学图像的方法 |
CN110211122A (zh) * | 2019-06-12 | 2019-09-06 | 京东方科技集团股份有限公司 | 一种检测图像处理方法及装置 |
CN110197514A (zh) * | 2019-06-13 | 2019-09-03 | 南京农业大学 | 一种基于生成式对抗网络的蘑菇表型图像生成方法 |
WO2020258667A1 (zh) * | 2019-06-26 | 2020-12-30 | 平安科技(深圳)有限公司 | 图像识别方法及装置、非易失性可读存储介质、计算机设备 |
CN113065635A (zh) * | 2021-02-27 | 2021-07-02 | 华为技术有限公司 | 一种模型的训练方法、图像增强方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197700A (zh) | 一种生成式对抗网络建模方法及装置 | |
CN108090521A (zh) | 一种生成式对抗网络模型的图像融合方法和判别器 | |
Jain et al. | Autoencoders for level generation, repair, and recognition | |
Dominguez-Morales et al. | Deep spiking neural network model for time-variant signals classification: a real-time speech recognition approach | |
CN106709461A (zh) | 基于视频的行为识别方法及装置 | |
CN108460460A (zh) | 用于经优化机器学习训练的技术 | |
CN107545245A (zh) | 一种年龄估计方法及设备 | |
CN105900116A (zh) | 分层型神经网络装置、判别器学习方法以及判别方法 | |
CN107239443A (zh) | 一种词向量学习模型的训练方法及服务器 | |
CN102822822B (zh) | 图像管理装置、图像管理方法、程序、记录介质、集成电路 | |
CN108038205A (zh) | 针对中文微博的观点分析原型*** | |
CN104915519B (zh) | 一种颅颌面骨模型建立方法及装置 | |
CN109189762A (zh) | 一种工业物联网数据分析方法、***及相关设备 | |
CN109543029A (zh) | 基于卷积神经网络的文本分类方法、装置、介质和设备 | |
CN106845521A (zh) | 一种基于行为时间序列的区块链节点聚类方法 | |
CN108647723A (zh) | 一种基于深度学习网络的图像分类方法 | |
CN109636746A (zh) | 图像噪声去除***、方法及设备 | |
CN107890674A (zh) | Ai行为调用方法和装置 | |
CN110503198A (zh) | 获取神经网络测试报告的方法、装置、设备和存储介质 | |
CN106327234A (zh) | 一种信息推荐方法和装置 | |
Liapis et al. | Sentient World: Human-Based Procedural Cartography: An Experiment in Interactive Sketching and Iterative Refining | |
CN106408649B (zh) | 一种基于规则的体结构演化设计方法 | |
CN108875482A (zh) | 物体检测方法和装置、神经网络训练方法和装置 | |
CN107025228A (zh) | 一种问题推荐方法及设备 | |
CN108197561A (zh) | 人脸识别模型优化控制方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180622 |