CN111325232B - 相位图像生成器的训练方法及相位图像分类器的训练方法 - Google Patents
相位图像生成器的训练方法及相位图像分类器的训练方法 Download PDFInfo
- Publication number
- CN111325232B CN111325232B CN201811585820.6A CN201811585820A CN111325232B CN 111325232 B CN111325232 B CN 111325232B CN 201811585820 A CN201811585820 A CN 201811585820A CN 111325232 B CN111325232 B CN 111325232B
- Authority
- CN
- China
- Prior art keywords
- phase image
- phase
- value
- loss
- generated
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008485 antagonism Effects 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06N3/08—Learning methods
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
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)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
相位图像生成器的训练方法包括以下步骤:首先,在各迭代次中,产生损失值,包括:相位图像生成器以相位图像生成模式产生多张生成相位图像;相位图像判定器判断这些生成相位图像与多张原始相位图像的差异程度;以及,依据差异程度产生这些生成相位图像的损失值。然后,挑选器从这些损失值中选择一稳定损失值,并以稳定损失值所对应的迭代次的相位图像生成模式做为相位图像生成器的一所选相位图像生成模式。
Description
技术领域
本发明涉及一种训练方法,尤其涉及一种相位图像生成器的训练方法及相位图像分类器的训练方法。
背景技术
在已知分类方法中,分类器必须要分析多个样本,从中学习这些样本所属类别的特征。在学习完成后,分类器可分析一待分类样本,并判断此待分类样本属于何种类别。然而,分类器要达到高分类正确率,必须分析足够数量的样本。换言之,当样本数不足时,分类器的分类正确率便会降低。
发明内容
本发明提供一种相位图像生成器的训练方法及相位图像分类器的训练方法,可改善上述已知问题。
本发明一实施例提出一种相位图像生成器的训练方法。训练方法包括以下步骤。在多个迭代次的各者中,产生一损失值,包括:一相位图像生成器以一相位图像生成模式产生多张生成相位图像;一相位图像判定器判断这些生成相位图像与多张原始相位图像的一差异程度;以及,依据差异程度产生这些生成相位图像的损失值;一挑选器从这些损失值中选择一稳定损失值,并以稳定损失值所对应的迭代次的相位图像生成模式做为相位图像生成器的一所选相位图像生成模式。
本发明一实施例提出一种相位图像分类器的训练方法。训练方法包括以下步骤。以上述相位图像生成器的训练方法,取得相位图像生成器的所选相位图像生成模式;相位图像生成器以所选相位图像生成模式产生多张训练相位图像;以及,相位图像生成器将这些训练相位图像输入至一相位图像分类器,以训练相位图像分类器。
为了对本发明的上述及其他方面有更佳的了解,下文特举实施例,并配合附图详细说明如下:
附图说明
图1绘示本发明一实施例的相位图像生成器的训练装置的功能结构图。
图2绘示图1的训练装置的相位图像生成器的训练方法的流程图。
图3绘示绘示图1的训练装置在训练过程中所有迭代次所产生的损失函数图。
图4绘示依照本发明一实施例的相位图像分类器的训练示意图。
图5绘示本发明另一实施例的相位图像生成器的训练装置的功能结构图。
图6绘示图5的训练装置的相位图像生成器的训练方法流程图。
【符号说明】
10:相位图像分类器
100、200:训练装置
110:相位图像生成器
120:相位图像判定器
130:挑选器
240:收敛值计算器
DB:数据库
F1:损失值
F11:稳定损失值
F2:收敛值
F3、F31:积值
M1:生成相位图像
M2:原始相位图像
M3:训练相位图像
GM’:相位图像生成模式
GM:所选相位图像生成模式
S1:不稳定区
S2:稳定区
S110、S111、S112、S113、S114、S115、S120、S220、S230、S231、S232:步骤
具体实施方式
请参照图1~图3,图1绘示本发明一实施例的相位图像生成器的训练装置100的功能结构图,图2绘示图1的训练装置100的相位图像生成器的训练方法的流程图,而图3绘示图1的训练装置100在训练过程中所有迭代次所产生的损失函数图。
如图1所示,训练装置100包括相位图像生成器110、相位图像判定器120及挑选器130。相位图像生成器110、相位图像判定器120及挑选器130可以是采用半导体工艺所形成的电路结构(circuit)。相位图像生成器110、相位图像判定器120与挑选器130中至少二者可整合成单一元件。相位图像生成器110、相位图像判定器120与挑选器130中至少一者可整合成至一处理器(process)(未绘示),如中央处理器(CPU),在此例子中,相位图像生成器110、相位图像判定器120与挑选器130中至少一者可以是软体、韧体或电路结构。在一实施例中,相位图像生成器110、相位图像判定器120及挑选器130可以采用生成式对抗网络(Generative Adversarial Network,GAN)技术实现其功能。
以下是以图2说明使用训练装置100训练相位图像生成器110的流程。
在步骤S110中,在多个迭代次的各者中,训练装置100可采用GAN技术,产生损失值F1。完成本步骤的方式有多种,以下是以步骤S111~S115说明其中一种。步骤S111~S115为一个迭代次的流程,其余各迭代次的流程皆重复步骤S111~S115。
在步骤S111中,在第N次迭代次中,相位图像生成器110以相位图像生成模式GM’产生多张生成相位图像M1。N的初始值为1。生成相位图像M1例如是具有干涉条纹的图像。
在步骤S112中,相位图像判定器120判断这些生成相位图像M1与多张原始相位图像M2的差异程度。原始相位图像M2可预先储存于数据库DB。原始相位图像M2例如是具有干涉条纹的图像。此外,在本实施例中,原始相位图像M2的数量与生成相位图像M1的数量相同,但在其他实施例中,数量也可不同。全部原始相位图像M2属于同一类别的图像,同一类别的图像例如是各原始相位图像M2具有多条弯曲干涉条纹、特定或固定数量的干涉条纹或其它几何形式的条纹。
在步骤S113中,相位图像判定器120依据差异程度产生这些生成相位图像M1的损失值F1。损失值F1例如是相位图像判定器120采用GAN技术,经由损失函数(loss function)运算所产生。一个迭代次下产生一个损失值F1,其以点形式绘示于图3中。在本实施例中,损失函数可以是铰链损失(hinge loss)函数或交叉熵损失(Cross-entropy loss)函数。交叉熵损失函数例如是sigmoid交叉熵损失函数或softmax交叉熵损失函数,然并不以所列举者为限。此外,相位图像判定器120可将这些生成相位图像M1的损失值F1和/或相关GAN资讯回馈给相位图像生成器110,做为相位图像生成器110在下一个迭代次产生多张生成相位图像M1的参考。下一个迭代次产生的多张生成相位图像M1与这些原始相位图像M2之间差异程度会往缩小趋势进行,且各生成相位图像M1之间的变异性也会往缩小趋势进行。
在步骤S114中,相位图像判定器120将损失值F1储存于数据库DB中,如图1所示。
在步骤S115中,相位图像生成器110判断是否完成所有迭代次。本发明实施例不限定总迭代次数,只要损失函数进入稳定区S2,总迭代次数可以是任何大于1的正整数。若尚未完成所有迭代次,则累加N的值(如N=N+1),然后回到步骤S111,重复步骤S111~S115的流程,直到完成所有迭代次。
在不同迭代次中,相位图像生成器110以不同的相位图像生成模式GM’产生多张生成相位图像M1,因此不同迭代次所产生的生成相位图像M1不完全相同。此外,在一迭代次中,相位图像生成器110所使用的相位图像生成模式GM’可以依据上个迭代次相位图像判定器120所回馈的资讯(如损失值F1)进行调整,使下次迭代次所产生的生成相位图像M1更接近于原始相位图像M2。
若相位图像生成器110判断所有迭代次已完成,流程进入步骤S120。如图3所示,其绘示所有迭代次产生的所有损失值F1的分布(称损失函数)。在图3中一个迭代次对应一个点。如图所示,随着迭代次的增加,损失函数由初期的不稳定变化(如不稳定区S1中)进入稳定变化(如稳定区S2中)。随着迭代次的增加,相位图像生成器110所产生的生成相位图像M1与原始相位图像M2的差异程度往缩小趋势进行(且生成相位图像M1会往画面清晰趋势进行),但各生成相位图像M1之间的变异性往缩小趋势进行。
在步骤S120中,在所有的迭代次完成后,挑选器130从稳定区S2的这些损失值F1中选择一稳定损失值F11,并以稳定损失值F11所对应的迭代次的相位图像生成模式GM’做为相位图像生成器110的一所选相位图像生成模式GM。举例来说,如图3所示,挑选器130可在稳定区S2中选择任一损失值F1做为稳定损失值F11。例如,假设稳定损失值F11为迭代次第2600次的损失值F1,则以第2600次迭代所使用的相位图像生成模式GM’做为所选相位图像生成模式GM,以完成对相位图像生成器110的训练。在一实施例中,所选相位图像生成模式GM例如是稳定区S2的初期,因此,相较于稳定区S2的中、后期迭代次所对应的相位图像生成模式GM,相位图像生成器110以所选相位图像生成模式GM(对应稳定区S2的前期)生成的多张相位生成图像M1之间的变异性较大。此外,挑选器130取得稳定损失值F11的所需数据(如全部的损失值F1)可从数据库DB中取得。
请参照图4,其绘示依照本发明一实施例的相位图像分类器10的训练示意图。在所选相位图像生成模式GM决定后,相位图像生成器110使用所选相位图像生成模式GM产生多张训练相位图像M3,同一个相位图像生成器110所产生的多张训练相位图像M3皆属于同一类别。相位图像生成器110所产生的这些训练相位图像M3输入至相位图像分类器10,以训练相位图像分类器10。相位图像分类器10能学习这些训练相位图像M3的特征。待训练或学习完成后,相位图像分类器10可分辨一待分类相位图像是否属于这些训练相位图像M3的所属类别。在一实施例中,训练相位图像分类器10所使用的训练相位图像M3的张数是足够的,如1000张、更少或更多,因此可让相位图像分类器10的分类正确率高达95%以上,如99%或更高。
在相位图像生成器110训练过程中,步骤S112的原始相位图像M2的张数可少于图4的训练相位图像分类器10所使用的训练相位图像M3的张数。在一实施例中,假设相位图像分类器10要达到一分类正确率需要X张相位图像进行训练(或学习),本发明实施例只要以比X张还少的原始相位图像M2训练相位图像生成器110,然后以此相位图像生成器110训练相位图像分类器10,即能达到相同的分类正确率。
具体地说,即使是使用少量张数的原始相位图像M2所训练出的相位图像生成器110,此相位图像生成器110也能够训练出具有高分类正确率的相位图像分类器10。在一实施例中,训练相位图像M3的张数与原始相位图像M2的张数的比值介于1~R之间的任意整数,其中R为任何大于1的整数,如2、3、4或更大。
此外,上述相位图像分类器10可采用神经网络(Neural Networks,NN)技术进行训练学习,例如是卷积神经网络(Convolution Neural Networks,CNN)或是深度神经网络(Deep Neural Networks,DNN)。相位图像分类器10例如是采用半导体工艺所形成的电路结构,或者为软体或韧体。相位图像分类器10可整合至中央处理器(未绘示),或者,相位图像生成器110、相位图像判定器120与挑选器130中至少二者可整合成单一元件。
此外,如图4所示,各相位图像生成器110以所选相位图像生成模式GM可产生多张训练相位图像M3给相位图像分类器10。各相位图像生成器110可依据不同类别的原始相位图像M2,采用图2的流程决定其所选相位图像生成模式GM。不同相位图像生成器110可产生不同类别的训练相位图像M3。如此,以多个对应不同类别的相位图像生成器110训练的相位图像分类器10,在训练完成之后,能分辨一待分类相位图像是否属于这些类别或属于这些类别的何者。
请参照图5和图6,图5绘示本发明另一实施例的相位图像生成器110的训练装置200的功能结构图,而图6绘示图5的训练装置200的相位图像生成器110的训练方法流程图。
如图5所示,训练装置200包括相位图像生成器110、相位图像判定器120、挑选器130及收敛值计算器240。相位图像生成器110、相位图像判定器120、挑选器130及/或收敛值计算器240可以是采用半导体工艺所形成的电路结构。相位图像生成器110、相位图像判定器120、挑选器130与收敛值计算器240中至少二者可整合成单一元件。相位图像生成器110、相位图像判定器120、挑选器130与收敛值计算器240中至少一者可整合成至一处理器(未绘示),如中央处理器。在一实施例中,相位图像生成器110、相位图像判定器120、挑选器130及收敛值计算器240可以采用GAN技术实现。
在步骤S110中,在多个迭代次的各者中,训练装置200可采用GAN技术,产生损失值F1。完成本步骤的方式有多种,以下以步骤S111~S115说明其中一种。步骤S111~S115为一个迭代次的流程,其余各迭代次的流程皆重复步骤S111~S115。
在步骤S111中,在第N次迭代次中,相位图像生成器110以相位图像生成模式GM’产生多张生成相位图像M1。N的初始值为1。生成相位图像M1例如是具有干涉条纹的图像。然后,相位图像生成器110可将生成相位图像M1储存于数据库DB,以供收敛值计算器240计算收敛值的参考。
在步骤S112中,相位图像判定器120判断这些生成相位图像M1与多张原始相位图像M2的差异程度。原始相位图像M2可预先储存于数据库DB。原始相位图像M2例如是具有干涉条纹的图像。此外,在本实施例中,原始相位图像M2的数量与生成相位图像M1的数量相同,但在其他实施例中,数量也可不同。全部原始相位图像M2属于同一类别的图像,同一类别的图像例如是各原始相位图像M2具有多条弯曲干涉条纹、特定或固定数量的干涉条纹或其它几何形式的条纹。
在步骤S113中,相位图像判定器120依据差异程度产生这些生成相位图像M1的损失值F1。损失值F1例如是相位图像判定器120采用GAN技术,经由损失函数(loss function)运算所产生。一个迭代次下产生一个损失值F1。此外,相位图像判定器120可将这些生成相位图像M1的损失值F1及/或相关GAN资讯回馈给相位图像生成器110,做为相位图像生成器110在下一个迭代次产生多张生成相位图像M1的参考。下一个迭代次产生的多张生成相位图像M1与这些原始相位图像M2之间差异程度会往缩小趋势进行,且各生成相位图像M1之间的变异性也会往缩小趋势进行。
在步骤S114中,相位图像判定器120将损失值F1储存于数据库DB中,如图5所示。
在步骤S115中,相位图像生成器110判断是否完成所有迭代次。若尚未完成所有迭代次,则累加N的值(如N=N+1),然后回到步骤S111,重复步骤S111~S115的流程,直到完成所有迭代次。
若相位图像生成器110判断所有迭代次已完成,流程进入步骤S220。本实施例的所有迭代次所产生的所有损失值F1的分布(称损失函数)类似如图3所示。如图所示,随着迭代次的增加,损失函数由初期的不稳定变化(如不稳定区S1中)进入稳定变化(如稳定区S2中)。随着迭代次的增加,相位图像生成器110所产生的生成相位图像M1与原始相位图像M2的差异程度往缩小趋势进行(且生成相位图像M1会往画面清晰趋势进行),但各生成相位图像M1之间的变异性往缩小趋势进行。
在步骤S220中,收敛值计算器240根据各迭代次中这些原始相位图像M2与这些生成相位图像M1,运算以取得这些生成相位图像M1的收敛值F2。收敛值计算器240取得收敛值F2的所需数据(如原始相位图像M2与这些生成相位图像M1)可从数据库DB中获取。在本实施例中,收敛值计算器240例如是KL散度(Kullback Leibler divergence)值计算器,而收敛值F2例如是KL散度值。收敛值计算器240可采用KL散度统计运算获得KL散度值。KL散度值的数值越小,表示原始相位图像M2与生成相位图像M1之间的差异程度越小。详细来说,生成相位图像M1与原始相位图像M2例如是具有干涉条纹的图像,KL散度值计算器(收敛值计算器240)根据生成相位图像M1与原始相位图像M2的干涉条纹分布来进行KL散度统计方法,其运算公式如下:
其中,P(i)带入原始相位图像M2的条纹分布,Q(i)带入生成相位图像M1的条纹分布,即可经由运算获得DKL,DKL即为KL散度值,以作为收敛值F2。
然后,收敛值计算器240可将收敛值F2储存于数据库DB中。在另一实施例中,步骤S220也可并入步骤S110中执行,例如,步骤S220可于步骤S112与S115之间执行。在另一实施例中,步骤220也可与步骤S112同步执行,并不以所列举的为限。
在步骤S230中,在所有的迭代次完成后,挑选器130从稳定区S2中的多个损失值F1选择一稳定损失值F11,并以此稳定损失值F11所对应的迭代次的相位图像生成模式GM’做为相位图像生成器110的一所选相位图像生成模式GM。本实施例的步骤S230有多种方式完成,以下是以步骤S231~S232说明其中一种。
在步骤S231中,挑选器130可采用下式(1),运算各迭代次的损失值F1与收敛值F2的积值F3。一个迭代次会对应产生一个积值F3,因此,m个迭代次会有m个积值F3,其中m可以是大于1的任意正整数,如介于2~1000000之间的任意正整数,也可大于1000000。
F3=F1×F2................(1)
在步骤S232中,挑选器130从这些积值F3中选择一所选积值F31,并以所选积值F31所对应的损失值F1为稳定损失值F11。挑选器130以稳定损失值F11所对应的迭代次的相位图像生成模式GM’做为相位图像生成器110的一所选相位图像生成模式GM。此外,挑选器130取得所选积值F31的所需数据(如损失值F1及收敛值F2)可从数据库DB中取得。
在一实施例中,所选积值F31为这些积值F3中最小者。以本实施例来说,如图3所示,所选积值F31(最小积值)对应迭代次例如是第2000次。在稳定区S2的初期,因迭代次少,因此相位图像生成器110所产生的生成相位图像M1(或训练相位图像M3)的变异度大。
在所选相位图像生成模式GM决定后,相位图像生成器110可采用类似或同于上述方式训练相位图像分类器10,在此不再赘述。相位图像生成器110以所选相位图像生成模式GM所产生的多张训练相位图像M3具有变异性,因此能够训练出分类正确度高的相位图像分类器10。进一步来说,损失值F1所代表为生成相位图像M1与原始相位图像M2的相似程度,在稳定区S2中,其损失值F1越低,表示生成相位图像M1与原始相位图像M2越相似。而收敛值F2所代表为生成相位图像M1与原始相位图像M2在干涉条纹分布上的相似度,其中收敛值F2越低,则表示生成相位图像M1与原始相位图像M2的干涉条纹分布越相似。通过积值F3(F1×F2)选择最小者,可以确保以此对应迭代次所训练的相位图像生成器110能够产生相似于原始相位图像M2的训练相位图像M3,同时并具有足够的变异性可以对相位图像分类器10进行训练。
综上所述,虽然本发明已以实施例公开如上,然其并非用于限定本发明。本发明所属技术领域中普通技术人员,在不脱离本发明的精神和范围内,当可作各种更动与润饰。因此,本发明的保护范围当以权利要求书为准。
Claims (9)
1.一种相位图像生成器的训练方法,包括:
在多个迭代次的各者中,采用生成式对抗网络技术产生一损失值,包括:
一相位图像生成器以一相位图像生成模式产生多张生成相位图像;
一相位图像判定器判断这些生成相位图像与多张原始相位图像的一差异程度;及
依据该差异程度产生这些生成相位图像的该损失值;以及
一挑选器从这些损失值中选择一稳定损失值,并以该稳定损失值所对应的该迭代次的该相位图像生成模式做为该相位图像生成器的一所选相位图像生成模式;
其中依据该差异程度产生这些生成相位图像的该损失值的步骤还包括:经由一损失函数运算产生该损失值;
其中,该训练方法更包括:
一收敛值计算器依据各该迭代次中这些原始相位图像与这些生成相位图像,运算以取得这些生成相位图像的一收敛值,其中该收敛值是KL散度值;
其中,在该挑选器从这些损失值中选择该稳定损失值的步骤还包括:
该挑选器运算各该迭代次中该损失值与该收敛值的一积值;以及
该挑选器从这些积值中选择一所选积值,并以该所选积值所对应的该损失值为该稳定损失值;
其中,该损失函数包含一不稳定区及一稳定区,该稳定损失值挑选自该稳定区内之该些损失值中的任一个,且该所选积值为该些积值中最小者。
2.如权利要求1所述的训练方法,其中该收敛值计算器为一KL散度(Kullback Leiblerdivergence)值计算器。
3.如权利要求2所述的训练方法,其中该收敛值计算器依据各该迭代次中这些原始相位图像与这些生成相位图像,采用KL散度统计运算获得该收敛值。
4.如权利要求1所述的训练方法,其中在这些迭代次的各者中产生该相位图像生成模式的步骤还包括:
在该损失值产生后,储存该损失值于一数据库中;
其中,在该挑选器从这些损失值中选择该稳定的损失值的步骤中,该挑选器从该数据库所储存的这些损失值中取得该稳定损失值。
5.如权利要求1所述的训练方法,还包括:
储存这些原始相位图像于一数据库中;以及
在产生这些生成相位图像后,储存这些生成相位图像于该数据库中;
其中,在该收敛值计算器依据各该迭代次中这些原始相位图像与这些生成相位图像,运算以取得这些生成相位图像的该收敛值的步骤中,这些原始相位图像与这些生成相位图像为该收敛值计算器从该数据库中取得。
6.如权利要求1所述的训练方法,还包括:
该收敛值计算器储存该收敛值于一数据库中;
其中,在这些迭代次的各者中产生该损失值的步骤还包括:在该损失值产生后,储存该损失值于该数据库中;
其中,在该挑选器运算各该迭代次中该损失值与该收敛值的该积值的步骤中,这些损失值及这些收敛值为该挑选器从该数据库取得。
7.一种相位图像分类器的训练方法,包括:
以如权利要求1-6任一项所述的训练方法,取得一相位图像生成器的一所选相位图像生成模式;
该相位图像生成器以该所选相位图像生成模式产生多张训练相位图像;以及
该相位图像生成器将这些训练相位图像输入至一相位图像分类器,以训练该相位图像分类器。
8.如权利要求7所述的训练方法,其中这些原始相位图像的张数少于这些训练相位图像的张数。
9.如权利要求7所述的训练方法,其中该相位图像分类器采用神经网络(NeuralNetworks,NN)技术进行训练。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107144986A TWI705340B (zh) | 2018-12-13 | 2018-12-13 | 相位圖像生成器的訓練方法及相位圖像分類器的訓練方法 |
TW107144986 | 2018-12-13 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325232A CN111325232A (zh) | 2020-06-23 |
CN111325232B true CN111325232B (zh) | 2024-01-02 |
Family
ID=71071687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811585820.6A Active CN111325232B (zh) | 2018-12-13 | 2018-12-24 | 相位图像生成器的训练方法及相位图像分类器的训练方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10909421B2 (zh) |
CN (1) | CN111325232B (zh) |
TW (1) | TWI705340B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931932B (zh) * | 2020-10-16 | 2021-01-29 | 北京灵汐科技有限公司 | 对抗样本的生成方法及装置、电子设备和可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408692A (zh) * | 2014-11-25 | 2015-03-11 | 南京信息工程大学 | 一种基于深度学习的图像模糊模型参数分析方法 |
CN104766100A (zh) * | 2014-10-22 | 2015-07-08 | 中国人民解放军电子工程学院 | 基于机器学习的红外小目标图像背景预测方法与装置 |
CN108665058A (zh) * | 2018-04-11 | 2018-10-16 | 徐州工程学院 | 一种基于分段损失的生成对抗网络方法 |
CN108921220A (zh) * | 2018-06-29 | 2018-11-30 | 国信优易数据有限公司 | 图像复原模型训练方法、装置及图像复原方法和装置 |
CN108985135A (zh) * | 2017-06-02 | 2018-12-11 | 腾讯科技(深圳)有限公司 | 一种人脸检测器训练方法、装置及电子设备 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013086363A2 (en) * | 2011-12-07 | 2013-06-13 | Access Business Group International Llc | Behavior tracking and modification system |
CN102890747B (zh) * | 2012-06-15 | 2015-04-22 | 北京理工大学 | 在线考试智能监控方法 |
US9613367B2 (en) * | 2013-06-10 | 2017-04-04 | Sap Se | Assessment of users feedback data to evaluate a software object |
CN203768697U (zh) | 2014-03-18 | 2014-08-13 | 杨卫星 | 一种家用空气内循环式除湿烘衣机 |
US9971958B2 (en) | 2016-06-01 | 2018-05-15 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for generating multimodal digital images |
EP3507773A1 (en) * | 2016-09-02 | 2019-07-10 | Artomatix Ltd. | Systems and methods for providing convolutional neural network based image synthesis using stable and controllable parametric models, a multiscale synthesis framework and novel network architectures |
US11024009B2 (en) * | 2016-09-15 | 2021-06-01 | Twitter, Inc. | Super resolution using a generative adversarial network |
US10636141B2 (en) | 2017-02-09 | 2020-04-28 | Siemens Healthcare Gmbh | Adversarial and dual inverse deep learning networks for medical image analysis |
CN107220600B (zh) | 2017-05-17 | 2019-09-10 | 清华大学深圳研究生院 | 一种基于深度学习的图片生成方法及生成对抗网络 |
CN107154023B (zh) | 2017-05-17 | 2019-11-05 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN107451994A (zh) | 2017-07-25 | 2017-12-08 | 宸盛科华(北京)科技有限公司 | 基于生成对抗网络的物体检测方法及装置 |
US10491856B2 (en) * | 2018-03-15 | 2019-11-26 | Disney Enterprises, Inc. | Video frame interpolation using a convolutional neural network |
-
2018
- 2018-12-13 TW TW107144986A patent/TWI705340B/zh active
- 2018-12-18 US US16/223,789 patent/US10909421B2/en active Active
- 2018-12-24 CN CN201811585820.6A patent/CN111325232B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766100A (zh) * | 2014-10-22 | 2015-07-08 | 中国人民解放军电子工程学院 | 基于机器学习的红外小目标图像背景预测方法与装置 |
CN104408692A (zh) * | 2014-11-25 | 2015-03-11 | 南京信息工程大学 | 一种基于深度学习的图像模糊模型参数分析方法 |
CN108985135A (zh) * | 2017-06-02 | 2018-12-11 | 腾讯科技(深圳)有限公司 | 一种人脸检测器训练方法、装置及电子设备 |
CN108665058A (zh) * | 2018-04-11 | 2018-10-16 | 徐州工程学院 | 一种基于分段损失的生成对抗网络方法 |
CN108921220A (zh) * | 2018-06-29 | 2018-11-30 | 国信优易数据有限公司 | 图像复原模型训练方法、装置及图像复原方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US10909421B2 (en) | 2021-02-02 |
US20200193224A1 (en) | 2020-06-18 |
CN111325232A (zh) | 2020-06-23 |
TWI705340B (zh) | 2020-09-21 |
TW202022634A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Theis et al. | Faster gaze prediction with dense networks and fisher pruning | |
Zeng et al. | Blind image quality assessment with a probabilistic quality representation | |
Liu et al. | Learnable embedding sizes for recommender systems | |
CN107292097B (zh) | 基于特征组的中医主症选择方法 | |
CN113222883B (zh) | 处理异常检测的装置及方法 | |
CN111737743A (zh) | 一种深度学习差分隐私保护方法 | |
CN104820825B (zh) | 基于Adaboost算法的人脸识别优化方法 | |
US10558918B2 (en) | Information processing apparatus and non-transitory computer readable medium | |
KR20190081218A (ko) | 컨볼루션 신경망의 하이퍼파라미터를 설정하는 방법 및 이를 수행하는 단말 장치 | |
van Laarhoven et al. | Graph clustering with local search optimization: The resolution bias of the objective function matters most | |
CN111325232B (zh) | 相位图像生成器的训练方法及相位图像分类器的训练方法 | |
CN113516019B (zh) | 高光谱图像解混方法、装置及电子设备 | |
Liang et al. | Resnorm: Tackling long-tailed degree distribution issue in graph neural networks via normalization | |
CN111340107A (zh) | 基于卷积神经网络代价敏感学习的故障诊断方法及*** | |
CN113377964B (zh) | 知识图谱链接预测方法、装置、设备及存储介质 | |
CN114417095A (zh) | 一种数据集划分方法及装置 | |
Malialis et al. | Data augmentation on-the-fly and active learning in data stream classification | |
US8560488B2 (en) | Pattern determination devices, methods, and programs | |
CN113780365A (zh) | 样本生成方法和装置 | |
US11526693B1 (en) | Sequential ensemble model training for open sets | |
CN112488238B (zh) | 一种基于对抗自编码器的混合异常检测方法 | |
JP6831221B2 (ja) | 学習装置及び学習方法 | |
WO2023136118A1 (ja) | 情報選択システム、情報選択方法及び情報選択プログラム | |
Pei et al. | Optimization of kernel method-based autoencoder using chaotic evolution algorithm | |
Fang et al. | A novel k'-means algorithm for clustering analysis |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |