CN109740677A - 一种基于主成分分析改进生成对抗网络的半监督分类方法 - Google Patents
一种基于主成分分析改进生成对抗网络的半监督分类方法 Download PDFInfo
- Publication number
- CN109740677A CN109740677A CN201910012548.0A CN201910012548A CN109740677A CN 109740677 A CN109740677 A CN 109740677A CN 201910012548 A CN201910012548 A CN 201910012548A CN 109740677 A CN109740677 A CN 109740677A
- Authority
- CN
- China
- Prior art keywords
- principal component
- component analysis
- confrontation network
- picture
- generator
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于生成对抗网络改进领域,公开了一种基于主成分分析改进生成对抗网络的半监督分类方法,使用主成分分析法(PCA)对原始图片进行压缩降维,用降维得到的向量代替原始的随机噪声向量,作为生成器的输入,提高了生成对抗网络生成图片的质量,同时也提高了半监督分类的准确率。本发明主成分分析法可以在降低数据维度的同时保留原数据的部分特征,用降维后的数据代替随机噪声输入生成器,能够更快的生成质量更高(更接近真实图片)的数据,减少网络迭代次数,提高分类准确率。
Description
技术领域
本发明属于生成对抗网络改进领域,尤其涉及一种基于主成分分析改进生成对抗网络的半监督分类方法及***。
背景技术
生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型,模型通过框架中(至少)两个模块:生成器(Generative Model)和判别器(Discriminative Model)的互相博弈学习产生相当好的输出。生成器是给定某种隐含信息,来随机产生观测数据。原始GAN理论中,并不要求生成器G和判别器D都是神经网络,只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为G和D。生成对抗网络由生成器G和判别器D两部分组成,生成器部分使用的是随机噪声输入,导致训练过程中存在不稳定性,生成图片的质量较低,使用原生成对抗网络进行半监督分类的准确率不高。
一个优秀的GAN应用需要有良好的训练方法,否则可能由于神经网络模型的自由性而导致输出不理想。半监督分类(Semi-Supervised Classification)是在只有少量带标签数据的情况下,使用大量无类标签的样例帮助训模型,获得比只用有类标签的样本训练得到的分类器性能更优的分类器,弥补有类标签的样本不足的缺陷。未标记样本虽未直接包含标记信息,但若它们与有标记信息样本是从同样的数据源独立同分布采样而来,则它们所包含的关于数据分布的信息对建立模型是有帮助的。将GAN应用于半监督分类任务时,只需要对最初的GAN的结构做稍微改动,即把discriminator模型的输出层替换成softmax分类器。假设训练数据有K类,那么在训练GAN模型的时候,可以把generator模拟出来的样本归为第K+1类,而softmax分类器也增加一个输出神经元,用于表示discriminator模型的输入为“假数据”的概率,这里的“假数据”具体指generator生成的样本。因为该模型可以利用有标签的训练样本,也可以从无标签的生成数据中学习,所以称之为“半监督”分类。
PCA(principal Component Analysis),即主成分分析方法,是一种使用最广泛的数据压缩算法。在PCA中,数据从原来的坐标系转换到新的坐标系,由数据本身决定。转换坐标系时,以方差最大的方向作为坐标轴方向,因为数据的最大方差给出了数据的最重要的信息。第一个新坐标轴选择的是原始数据中方差最大的方法,第二个新坐标轴选择的是与第一个新坐标轴正交且方差次大的方向。重复该过程,重复次数为原始数据的特征维数。主成分分析经常用于减少数据集的维数,同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分,忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。
综上所述,现有技术存在的问题是:
(1)生成对抗网络中生成器的输入为随机噪声,随机性会导致生成器的参数不易训练,难以生成高质量的图片。
(2)现实生活中,有标签数据少无标签数据多是一个普遍现象,现有技术无法充分利用无标记样本来训练网络模型。
(3)生成器和判别器是一个相互博弈的过程,用生成对抗网络进行半监督分类是对判别器的输出稍作调整,改成一个分类器,生成器的效果会影响到判别器(分类器)最后的分类准确率。
解决上述技术问题的难度:
在原始的生成对抗网络中,生成器的输入是服从正态分布或者均匀分布的随机的噪声,数据的随机性较强,导致网络模型的训练时间较长,且生成图像的效果一般。而主成分分析法能在对图像降维的同时保留部分的图像特征,因此,使用主成分分析法对原始图片进行降维后的向量代替随机向量作为GAN中生成器的输入,能够在更短的时间内生成更接近真实图片的结果,极大地减少了训练时长。近年来,随着机器学习特别是深度学习算法如卷积神经网络(CNN)的发展,处理各种机器学习任务的能力已经大大提高。然而,这些算法取得良好的性能的前提通常是需要大量可用的标注数据。标注大量数据的成本极其昂贵,甚至是不可行的,因此常常需要用到半监督学习。
解决上述技术问题的意义:
由于GAN可以模仿真实数据的分布,生成与真实图片无限相似的“假”图片,借助GAN本发明可以从无标签数据中学习,因此本发明可以利用这个特性将它应用于半监督分类,在只有少量带标签数据的情况下,最大限度地利用无标签数据来训练一个较好的半监督分类模型。
发明内容
针对现有技术存在的问题,本发明提供了一种基于主成分分析改进生成对抗网络的半监督分类方法及***,
本发明是这样实现的,一种基于主成分分析改进生成对抗网络的半监督分类方法包括:
步骤一:初始化各项参数,设置迭代次数n,样本数据为x(共K类),噪声为z,每次输入的图片数量bach_size,噪声的维度z_dim;
步骤二:获取一个bach_size数量的图片,使用主成分分析法(PCA)将每张图片压缩至z_dim维,作为生成器的输入z;
步骤三:将z输入生成对抗网络的生成器,用于训练生成器,生成图片G(z);
步骤四:将生成图片G(z)和真实图片x作为判别器(分类器)D的输入,用于训练判别器(分类器),判别器判断图片属于哪一类(K类中的一类or生成器生成的假图片(K+1类));
步骤五:根据判别器(分类器)的结果通过反向传播,以最小化损失函数L为目标,调整生成器和判别器的参数;
步骤六:重复步骤一至步骤五,直到达到指定的迭代次数。
进一步,步骤二中,所述主成分分析法压缩图片至z_dim维包括:
(1)去除平均值;
(2)计算协方差矩阵;
(3)计算协方差矩阵的特征值和特征向量;
(4)将特征值排序;
(5)保留前z_dim个最大的特征值对应的特征向量;
(6)将数据转换到上面得到的z_dim个特征向量构建的新空间中(实现了特征压缩)。
进一步,步骤三中,所述生成器包括:
生成器除输出层外,其他所有层后都紧接着批归一化(BN)和线性修正单元(ReLU)进行激活;
使用多层反卷积操作,将z_dim维的向量转换成与输入图片x相同大小的图片形式;将输入的向量z进行四维重塑后,送入生成器,启动一系列上采样层;每个上采样层都代表一个反卷积运算;
生成器的损失函数为:
进一步,步骤四中,所述判别器包括:
判别器由卷积神经网络构成,除输入层外均带有批归一化,并使用leaky ReLU进行激活;判别器执行一系列的常规卷积运算;每经过一次卷积,特征向量的空间维度就会减少一半,而训练的卷积核数量会加倍;最后判别器输出图片的类别;
判别器的损失函数为:
L=Lsupervised+unsupervised,
其中,
由于是半监督分类,数据集中含有少部分带标签的图片,大部分是无标签图;Lsupervised表示的是用带标签图训练时的损失函数,即监督学习的损失,Lunsupervised代表使用无标签图训练的损失函数,即无监督学习的损失;
对于无监督学习来说,只需要输出真假,不需要确定是哪一类,因此令
D(x)=1-pmodel(y=K+1|x)
其中pmodel表示判别是假图像的概率,那么D(x)就代表了输出是真图像的概率,那么无监督学习的损失函数就可以表示为
进一步,所述leaky ReLU函数包括:
leaky ReLU在输入负值时,其函数值不为零,因此允许一个小的负值通过;即leaky ReLU函数计算的是输入特征和一个极小因子之间的最大值。
本发明的另一目的在于提供一种实施所述基于主成分分析改进生成对抗网络的半监督分类方法的基于主成分分析改进生成对抗网络的半监督分类***。
本发明的另一目的在于提供一种实施所述基于主成分分析改进生成对抗网络的半监督分类方法的改进生成对抗网络半监督分类平台。
综上所述,本发明的优点及积极效果为:
基于主成分分析改进生成对抗网络的半监督分类,使用主成分分析法(PCA)对原始图片进行压缩降维,用降维得到的向量代替原始的随机噪声向量,作为生成器的输入,提高了生成对抗网络生成图片的质量,同时也提高了半监督分类的准确率。
主成分分析法可以在降低数据维度的同时保留原数据的部分特征,用降维后的数据代替随机噪声输入生成器,能够更快的生成质量更高(更接近真实图片)的数据,减少网络迭代次数,提高分类准确率。
附图说明
图1是本发明实施例提供的基于主成分分析改进生成对抗网络的半监督分类***流程图;
图2是本发明实施例提供的基于主成分分析改进生成对抗网络的半监督分类方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
生成对抗网络中生成器的输入为随机噪声,随机性会导致生成器的参数不易训练,难以生成高质量的图片。
生成器和判别器是一个相互博弈的过程,用生成对抗网络进行半监督分类是对判别器的输出稍作调整,改成一个分类器,生成器的效果会影响到判别器(分类器)最后的分类准确率。
为解决上述技术问题,下面结合技术方案对本发明作详细描述。
如图1-图2所示,本发明实施例提供的基于主成分分析改进生成对抗网络的半监督分类方法包括:
S101:初始化各项参数,设置迭代次数n,样本数据为x(共K类),噪声为z,每次输入的图片数量bach_size,噪声的维度z_dim;
S102:获取一个bach_size数量的图片,使用主成分分析法(PCA)将每张图片压缩至z_dim维,作为生成器的输入z;
S103:将z输入生成对抗网络的生成器,用于训练生成器,生成图片G(z);
S104:将生成图片G(z)和真实图片x作为判别器(分类器)D的输入,用于训练判别器(分类器),判别器判断图片属于哪一类(K类中的一类or生成器生成的假图片(K+1类));
S105:根据判别器(分类器)的结果通过反向传播,以最小化损失函数L为目标,调整生成器和判别器的参数;
S106:重复S101至S105,直到达到指定的迭代次数。
在本发明实施例中,步骤S102提供的主成分分析法压缩图片至z_dim维包括:
(1)去除平均值;
(2)计算协方差矩阵;
(3)计算协方差矩阵的特征值和特征向量;
(4)将特征值排序;
(5)保留前z_dim个最大的特征值对应的特征向量;
(6)将数据转换到上面得到的z_dim个特征向量构建的新空间中(实现了特征压缩)。
在本发明实施例中,步骤S103提供的生成器包括:
生成器除输出层外,其他所有层后都紧接着批归一化(BN)和线性修正单元(ReLU)进行激活;
使用多层反卷积操作,将z_dim维的向量转换成与输入图片x相同大小的图片形式;将输入的向量z进行四维重塑后,送入生成器,启动一系列上采样层;每个上采样层都代表一个反卷积运算;
生成器的损失函数为:
在本发明实施例中,步骤S103提供的判别器包括:
判别器由卷积神经网络构成,除输入层外均带有批归一化,并使用leaky ReLU进行激活;判别器执行一系列的常规卷积运算;每经过一次卷积,特征向量的空间维度就会减少一半,而训练的卷积核数量会加倍;最后判别器输出图片的类别;
判别器的损失函数为:
L=Lsupervised+unsupervised,
其中,
由于是半监督分类,数据集中含有少部分带标签的图片,大部分是无标签图;Lsupervised表示的是用带标签图训练时的损失函数,即监督学习的损失,Lunsupervised代表使用无标签图训练的损失函数,即无监督学习的损失;
对于无监督学习来说,只需要输出真假,不需要确定是哪一类,因此令
D(x)=1-pmodel(y=K+1|x)
其中pmodel表示判别是假图像的概率,那么D(x)就代表了输出是真图像的概率,那么无监督学习的损失函数就可以表示为
在本发明实施例中,提供的leaky ReLU函数包括:
leaky ReLU在输入负值时,其函数值不为零,因此允许一个小的负值通过;即leaky ReLU函数计算的是输入特征和一个极小因子之间的最大值。
本发明实施例中,提供一种基于主成分分析改进生成对抗网络的半监督分类***。所述基于主成分分析改进生成对抗网络的半监督分类***运行时,通过相应模块或设备运行基于主成分分析改进生成对抗网络的半监督分类方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于主成分分析改进生成对抗网络的半监督分类方法,其特征在于,所述基于主成分分析改进生成对抗网络的半监督分类方法包括:
步骤一:初始化各项参数,设置迭代次数n,样本数据为x,噪声为z,每次输入的图片数量bach_size,噪声的维度z_dim;
步骤二:获取一个bach_size数量的图片,使用主成分分析法PCA将每张图片压缩至z_dim维,作为生成器的输入z;
步骤三:将z输入生成对抗网络的生成器,用于训练生成器,生成图片G(z);
步骤四:将生成图片G(z)和真实图片x作为判别器D的输入,用于训练判别器,判别器判断图片属于哪一类;
步骤五:根据判别器的结果通过反向传播,以最小化损失函数L为目标,调整生成器和判别器的参数;
步骤六:重复步骤一至步骤五,直到达到指定的迭代次数。
2.如权利要求1所述基于主成分分析改进生成对抗网络的半监督分类方法及***,其特征在于,步骤二中,主成分分析法压缩图片至z_dim维的方法包括:
(1)去除平均值;
(2)计算协方差矩阵;
(3)计算协方差矩阵的特征值和特征向量;
(4)将特征值排序;
(5)保留前z_dim个最大的特征值对应的特征向量;
(6)将数据转换到上面得到的z_dim个特征向量构建的新空间中(实现了特征压缩)。
3.如权利要求1所述基于主成分分析改进生成对抗网络的半监督分类方法及***,其特征在于,步骤三中,所述生成器包括:
损失函数为:
4.如权利要求1所述基于主成分分析改进生成对抗网络的半监督分类方法及***,其特征在于,步骤四中,判别器的损失函数为:
L=Lsupervised+Lunsupervised,
其中,
Lsupervised表示的是用带标签图训练时的损失函数,即监督学习的损失,Lunsupervised代表使用无标签图训练的损失函数,无监督学习的损失;
对于无监督学习,令
D(x)=1-pmodel(y=K+1|x)
其中pmodel表示判别是假图像的概率,那么D(x)就代表了输出是真图像的概率,无监督学习的损失函数表示为
5.一种实施权利要求1所述基于主成分分析改进生成对抗网络的半监督分类方法的基于主成分分析改进生成对抗网络的半监督分类***。
6.一种实施权利要求1所述基于主成分分析改进生成对抗网络的半监督分类方法的改进生成对抗网络半监督分类平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012548.0A CN109740677A (zh) | 2019-01-07 | 2019-01-07 | 一种基于主成分分析改进生成对抗网络的半监督分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910012548.0A CN109740677A (zh) | 2019-01-07 | 2019-01-07 | 一种基于主成分分析改进生成对抗网络的半监督分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109740677A true CN109740677A (zh) | 2019-05-10 |
Family
ID=66363663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910012548.0A Pending CN109740677A (zh) | 2019-01-07 | 2019-01-07 | 一种基于主成分分析改进生成对抗网络的半监督分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740677A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458786A (zh) * | 2019-07-31 | 2019-11-15 | 重庆邮电大学 | 一种先验gan模型医学影像生成方法 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN112270351A (zh) * | 2020-10-24 | 2021-01-26 | 国网江苏省电力有限公司信息通信分公司 | 基于辅助分类生成对抗网络的半监督加密流量识别方法 |
CN112434732A (zh) * | 2020-11-17 | 2021-03-02 | 西安交通大学 | 一种基于特征筛选的深度学习分类方法 |
CN112545532A (zh) * | 2020-11-26 | 2021-03-26 | 中国人民解放军战略支援部队信息工程大学 | 用于脑电信号分类识别的数据增强方法及*** |
CN116704999A (zh) * | 2022-09-15 | 2023-09-05 | 荣耀终端有限公司 | 一种音频数据处理方法、装置、存储介质和电子设备 |
CN117392760A (zh) * | 2023-12-12 | 2024-01-12 | 河海大学 | 一种基于折半交叉网络的健康指导方法和*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480772A (zh) * | 2017-08-08 | 2017-12-15 | 浙江大学 | 一种基于深度学习的车牌超分辨率处理方法及*** |
US9922285B1 (en) * | 2017-07-13 | 2018-03-20 | HumanCode, Inc. | Predictive assignments that relate to genetic information and leverage machine learning models |
KR101841222B1 (ko) * | 2017-08-11 | 2018-03-22 | 주식회사 뷰노 | 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치 |
CN108460717A (zh) * | 2018-03-14 | 2018-08-28 | 儒安科技有限公司 | 一种基于双判别器的生成对抗网络的图像生成方法 |
CN108520504A (zh) * | 2018-04-16 | 2018-09-11 | 湘潭大学 | 一种基于生成对抗网络端到端的模糊图像盲复原方法 |
CN108564109A (zh) * | 2018-03-21 | 2018-09-21 | 天津大学 | 一种基于深度学习的遥感图像目标检测方法 |
CN108665463A (zh) * | 2018-03-30 | 2018-10-16 | 哈尔滨理工大学 | 一种基于对抗式生成网络的宫颈细胞图像分割方法 |
CN108764173A (zh) * | 2018-05-31 | 2018-11-06 | 西安电子科技大学 | 基于多类生成对抗网络的高光谱图像分类方法 |
CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
CN108921029A (zh) * | 2018-06-04 | 2018-11-30 | 浙江大学 | 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法 |
CN109145992A (zh) * | 2018-08-27 | 2019-01-04 | 西安电子科技大学 | 协作生成对抗网络和空谱联合的高光谱图像分类方法 |
-
2019
- 2019-01-07 CN CN201910012548.0A patent/CN109740677A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9922285B1 (en) * | 2017-07-13 | 2018-03-20 | HumanCode, Inc. | Predictive assignments that relate to genetic information and leverage machine learning models |
CN107480772A (zh) * | 2017-08-08 | 2017-12-15 | 浙江大学 | 一种基于深度学习的车牌超分辨率处理方法及*** |
KR101841222B1 (ko) * | 2017-08-11 | 2018-03-22 | 주식회사 뷰노 | 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치 |
CN108460717A (zh) * | 2018-03-14 | 2018-08-28 | 儒安科技有限公司 | 一种基于双判别器的生成对抗网络的图像生成方法 |
CN108564109A (zh) * | 2018-03-21 | 2018-09-21 | 天津大学 | 一种基于深度学习的遥感图像目标检测方法 |
CN108665463A (zh) * | 2018-03-30 | 2018-10-16 | 哈尔滨理工大学 | 一种基于对抗式生成网络的宫颈细胞图像分割方法 |
CN108520504A (zh) * | 2018-04-16 | 2018-09-11 | 湘潭大学 | 一种基于生成对抗网络端到端的模糊图像盲复原方法 |
CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
CN108764173A (zh) * | 2018-05-31 | 2018-11-06 | 西安电子科技大学 | 基于多类生成对抗网络的高光谱图像分类方法 |
CN108921029A (zh) * | 2018-06-04 | 2018-11-30 | 浙江大学 | 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法 |
CN109145992A (zh) * | 2018-08-27 | 2019-01-04 | 西安电子科技大学 | 协作生成对抗网络和空谱联合的高光谱图像分类方法 |
Non-Patent Citations (4)
Title |
---|
ABHISHEK KUMAR 等: "Improved Semi-supervised Learning with GANs using Manifold Invariances", 《ARXIV:1705.08850V1》 * |
DAN LI 等: "Anomaly Detection with Generative Adversarial Networks for Multivariate Time Series", 《ANARXIV:1809.04758V1》 * |
TIM SALIMANS 等: "Improved Techniques for Training GANs", 《ARXIV:1606.03498V1》 * |
姚树春 等主编: "《大数据技术与应用》", 30 June 2018, 西南交通大学出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458786A (zh) * | 2019-07-31 | 2019-11-15 | 重庆邮电大学 | 一种先验gan模型医学影像生成方法 |
CN110458786B (zh) * | 2019-07-31 | 2022-05-17 | 重庆邮电大学 | 一种先验gan模型医学影像生成方法 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN112270351A (zh) * | 2020-10-24 | 2021-01-26 | 国网江苏省电力有限公司信息通信分公司 | 基于辅助分类生成对抗网络的半监督加密流量识别方法 |
CN112434732A (zh) * | 2020-11-17 | 2021-03-02 | 西安交通大学 | 一种基于特征筛选的深度学习分类方法 |
CN112545532A (zh) * | 2020-11-26 | 2021-03-26 | 中国人民解放军战略支援部队信息工程大学 | 用于脑电信号分类识别的数据增强方法及*** |
CN112545532B (zh) * | 2020-11-26 | 2023-05-16 | 中国人民解放军战略支援部队信息工程大学 | 用于脑电信号分类识别的数据增强方法及*** |
CN116704999A (zh) * | 2022-09-15 | 2023-09-05 | 荣耀终端有限公司 | 一种音频数据处理方法、装置、存储介质和电子设备 |
CN117392760A (zh) * | 2023-12-12 | 2024-01-12 | 河海大学 | 一种基于折半交叉网络的健康指导方法和*** |
CN117392760B (zh) * | 2023-12-12 | 2024-04-23 | 河海大学 | 一种基于折半交叉网络的健康指导方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740677A (zh) | 一种基于主成分分析改进生成对抗网络的半监督分类方法 | |
CN108491874B (zh) | 一种基于生成式对抗网络的图像单分类方法 | |
US11176418B2 (en) | Model test methods and apparatuses | |
US11983394B2 (en) | System and method for generating photorealistic synthetic images based on semantic information | |
CN109308318A (zh) | 跨领域文本情感分类模型的训练方法、装置、设备及介质 | |
CN111723654A (zh) | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 | |
CN107770517A (zh) | 基于图像失真类型的全参考图像质量评价方法 | |
CN112101328A (zh) | 一种深度学习中识别并处理标签噪声的方法 | |
CN111160189A (zh) | 一种基于动态目标训练的深度神经网络人脸表情识别方法 | |
CN113128287B (zh) | 训练跨域人脸表情识别模型、人脸表情识别的方法及*** | |
CN109711356B (zh) | 一种表情识别方法和*** | |
WO2020168796A1 (zh) | 一种基于高维空间采样的数据增强方法 | |
CN109948735A (zh) | 一种多标签分类方法、***、装置及存储介质 | |
CN109711442A (zh) | 无监督逐层生成对抗特征表示学习方法 | |
WO2023155299A1 (zh) | 图像增强处理方法、装置、计算机设备及存储介质 | |
CN113642479A (zh) | 人脸图像的评价方法、装置、电子设备及存储介质 | |
CN112541469B (zh) | 基于自适应分类的人群计数方法及*** | |
CN107229944B (zh) | 基于认知信息粒子的半监督主动识别方法 | |
CN114265954B (zh) | 基于位置与结构信息的图表示学习方法 | |
CN115063374A (zh) | 模型训练、人脸图像质量评分方法、电子设备及存储介质 | |
CN116129158A (zh) | 一种输电线路铁塔小部件图像识别方法及装置 | |
CN113705720A (zh) | 机器学习中应用权重修正来减低加权训练偏差的方法 | |
CN112766494A (zh) | 一种预训练模型知识蒸馏的安全性评估方法 | |
JP2021043949A (ja) | ターゲット検出モデルを訓練する装置及び方法並びに電子機器 | |
CN111626409B (zh) | 一种图像质量检测的数据生成方法 |
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 |
Application publication date: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |