CN107220600B - 一种基于深度学习的图片生成方法及生成对抗网络 - Google Patents

一种基于深度学习的图片生成方法及生成对抗网络 Download PDF

Info

Publication number
CN107220600B
CN107220600B CN201710346320.6A CN201710346320A CN107220600B CN 107220600 B CN107220600 B CN 107220600B CN 201710346320 A CN201710346320 A CN 201710346320A CN 107220600 B CN107220600 B CN 107220600B
Authority
CN
China
Prior art keywords
network
picture
loss function
generation
input
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
Application number
CN201710346320.6A
Other languages
English (en)
Other versions
CN107220600A (zh
Inventor
袁克虹
范宏伟
张生泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Graduate School Tsinghua University
Original Assignee
Shenzhen Graduate School Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Graduate School Tsinghua University filed Critical Shenzhen Graduate School Tsinghua University
Priority to CN201710346320.6A priority Critical patent/CN107220600B/zh
Publication of CN107220600A publication Critical patent/CN107220600A/zh
Application granted granted Critical
Publication of CN107220600B publication Critical patent/CN107220600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于深度学习的图片生成方法及生成对抗网络，所述方法包括如下步骤：(1)建立图片数据库：收集若干真实图片并对其进行分类和标注，每张图片具有唯一与之对应的类别标签k；(2)构建生成网络G：在生成网络G中输入随机的噪声信号z和类别标签k组合而成的向量，并将生成的数据作为判别网络D的输入；(3)构建判别网络D：判别网络D的损失函数由用于判断图片真假的第一损失函数和用于判断图片类别的第二损失函数组成；(4)训练网络；(5)生成需要的图片：将随机的的噪声信号z和类别标签k输入经过步骤(4)训练好的生成网络G中，得到指定类别的图片。通过本发明，不仅可以生成图片，而且可以指定要生成的图片类别。

Description

一种基于深度学习的图片生成方法及生成对抗网络
技术领域
本发明涉及深度学习技术领域，特别是涉及一种基于深度学习的图片生成方法及生成对抗网络。
背景技术
面部表情是人类情绪状态的最直观反映，是传递人类身体状态以及情感状态的重要媒介，是除语言交流之外主要交流方式。在人机交互过程中，表情的生成无疑能够为人们提供更便捷的沟通和服务。
深度学习作为目前机器学习的重要领域，在图像识别、语音分析等方向都有着重要应用。深度学习由神经网络演化而来，到目前为止，人们已经针对分类、检测、识别等各类不同的问题设计了多种行之有效的网络结构。其中在很多领域如人脸识别等已经超过了人眼识别的准确率。通俗地讲，深度学习通过在大量的样本中学习有价值的信息，从而得到了对目标分析判断的能力。
生成对抗网络(Generative Adversarial Network)是深度学习的一个分支。其目的是生成与真实数据非常相似的数据。通过生成对抗网络，可以生成与训练样本具有同一性质但训练样本中没有的数据。生成对抗网络由生成网络和判别网络组成，生成网络的输入是随机的噪声信号，输出是图片。判别网络的输入是真实的图片和生成网络生成的图片，输出是图片属于真实图片的概率。即生成网络的作用是生成符合真实图片分布的图片，来欺骗判别网络，而判别网络的作用是分辨图片是由生成网络生成的还是真实图片，最终的目的是使得生成网络产生以假乱真的图片。然而，生成对抗网络尽管能够产生近似真实的图片，却无法根据类别产生需要的图片，这限制了生成对抗网络的应用。
发明内容
为了弥补现有技术的不足，本发明提供一种基于深度学习的图片生成方法及生成对抗网络，其不仅可以生成图片，而且可以指定要生成的图片类别。
本发明的技术方案如下：
一种基于深度学习的图片生成方法，包括如下步骤：
(1)建立图片数据库：收集若干真实图片并对其进行分类和标注，每张图片具有唯一与之对应的类别标签k；
(2)构建生成网络G：在所述生成网络G中输入随机的噪声信号z和类别标签k组合而成的向量，将所述生成网络G生成的数据作为判别网络D的输入；
(3)构建判别网络D：所述判别网络D的损失函数由用于判断图片真假的第一损失函数和用于判断图片类别的第二损失函数组成；
所述第一损失函数如下：
其中，为判别损失函数logDT(x)的期望， 为判别损失函数log(1-DT(G(z)))的期望；判别网络D有两个输出，一个为判断图片来源的输出，即输出真/假，设为DT，另一个为判断图片类别的输出，即输出图片属于类别标签k的概率，设为Dc；pg表示真实图片集x的分布；pz(z)表示随机的噪声信号z的噪声变量，用G(z；θg)将其映射到数据空间；生成网络G由参数θg构成的；
所述第二损失函数如下：
其中，为分类损失函数log(Dc(xk)k)的期望，为分类损失函数log(Dc(G(z,c)c＝k)k)的期望；c表示类别标签k的集合，Dc(xk)k表示属于图片的类别标签k的xk被判别网络D判断为k的概率，Dc(G(z,c)c＝k)k表示由生成网络G产生的类别标签为k的生成图片由判别网络D分为k的概率；
(4)训练网络：
(41)训练所述判别网络D来最大化其输出属于真实图片或属于生成网络G生成的数据的概率；训练所述判别网络D来最大化
(42)训练所述生成网络G来最小化log(1-DT(G(z)))；训练所述生成网络G来最大化
(5)生成需要的图片：将随机的的噪声信号z和类别标签k输入到经过步骤(4)训练好的生成网络G中，得到指定类别的图片。
优选地，所述步骤(41)具体包括如下步骤：
A、将真实图片集x输入到判别网络D，根据所述第一损失函数中的判别损失函数logDT(x)来更新判别网络D的参数；并输入图片对应的类别标签k，根据所述第二损失函数中的分类损失函数log(Dc(xk)k)来更新判别网络D的参数；
B、将随机的噪声信号z和类别标签k作为生成网络G的输入，再将生成网络G生成的数据作为判别网络D的输入，根据所述第一损失函数中的判别损失函数log(1-DT(G(z)))来更新判别网络D的参数；并以对应的类别标签k，根据所述第二损失函数中的分类损失函数log(Dc(G(z,c)c＝k)k)来更新判别网络D的参数。
优选地，所述步骤(42)具体包括如下步骤：
将随机的噪声信号z和类别标签k作为生成网络G的输入，再将生成网络G生成的数据作为判别网络D的输入，根据所述第一损失函数中的判别损失函数log(1-DT(G(z)))来更新生成网络G的参数；并以对应的类别标签k，根据所述第二损失函数中的分类损失函数log(Dc(G(z,c)c＝k)k)来更新生成网络G的参数。
优选地，所述图片为人的面部表情图片。
一种用于所述的图片生成方法的基于深度学习的图片生成对抗网络，所述生成对抗网络包括生成网络和判别网络，其中：
所述生成网络包括第一输入层、第一全连接层、第一反卷积层、第一批归一化层和第一激活层，以随机的噪声信号和类别标签组合而成的向量作为所述第一输入层的输入，所述输入经过所述第一全连接层、所述第一反卷积层、所述第一批归一化层和所述第一激活层后生成数据；
所述判别网络包括第二输入层、第二反卷积层、第二批归一化层、第二激活层和第二全连接层，分别以所述生成网络生成的数据和真实图片作为所述第二输入层的输入，所述第二全连接层由用于判断图片真假的全连接层和用于判断图片类别的全连接层组成，所述第二输入层的输入经过所述第二反卷积层、第二批归一化层、第二激活层和第二全连接层后，得到指定类别的图片。
优选地，所述图片为人的面部表情图片。
与现有技术相比，本发明的有益效果包括：
现有的生成网络的输入是随机的噪声信号，类别信息隐藏在噪声中，使得无法得知噪声的哪一部分产生了类别信息，而通过本发明的方案，对生成网络的输入进行改进，将输入的信号分成两部分，一部分是类别信息，一部分是其他噪声信息；同时对判别网络进行改进，现有的判别网络只有一个判别图片真假的损失函数，本发明增加一个判断图片类别的损失函数，通过以上改进后，使得生成网络可用来生成指定类别的图片。因此，本发明不仅可以生成图片，而且能够通过输入生成网络的指定类别标签来生成对应类别的图片。
附图说明
图1是本发明具体实施方式中基于深度学习的图片生成对抗网络的架构图；
图2是本发明具体实施方式中的生成对抗网络中的生成网络结构图；
图3是本发明具体实施方式中的生成对抗网络中的判别网络结构图；
图4是本发明具体实施方式生成的表情示例。
具体实施方法
下面对照附图并结合优选的实施方式对本发明作进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图1是本发明具体实施方式中基于深度学习的图片生成对抗网络的架构图，以生成人的面部表情图片为例，图片生成方法包括如下步骤：
(1)建立人脸表情数据库
收集大量人脸图片，按照不同的表情分类并标注，设表情种类为表情1、···表情n，则每张图片具有唯一与之对应的表情类别k。
(2)构建生成网络G
设输入的噪声信号为z和类别标签k，则生成网络G的输入是z和k组合而成的向量，生成网络G生成的数据将作为下方判别网络D的输入。生成网络包括第一输入层，第一全连接层(IP)，第一反卷积层(FC)，第一批归一化层(BN)，第一激活层(relu)，本例中的具体结构如图2所示，在本例中，生成网络G的输入(z+k组成的向量)经过第一全连接层后产生1024通道4*4分辨率的特征图，再分别经过第一反卷积层、第一批归一化层和第一激活层(本例中，可以经过四次反卷积处理)后，生成3通道64*64分辨率的特征图，并将其作为判别网络D的输入。
(3)构建判别网络D
判别网络D的损失函数由两部分组成，一是判断图片真假的第一损失函数，一是判断图片类别的第二损失函数。判别网络D包括第二反卷积层(FC)，第二批归一化层(BN)，第二激活层(relu)，第二全连接层(IP)，其中判别网络D中的第二全连接层由用于判断图片真假的全连接层1和用于判断图片类别的全连接层2组成，本例中的具体结构如图3所示，在本例中，以上由生成网络生成的3通道64*64分辨率的特征图经过第二反卷积层、第二批归一化层、第二激活层后输出1024通道4*4分辨率的特征图，再分别经过全连接1输出图片的类别、经过全连接2输出图片的真/假。
(4)训练网络
学习生成网络在真实图片集x的分布pg，首先定义了随机的噪声信号z的噪声变量pz(z)，用G(z；θg)将其映射到数据空间。生成网络G是由参数θg构成的，判别网络D有两个输出，一个为判断图片来源的输出，即输出真/假，设为DT，另一个为判断图片类别的输出，即输出图片属于类别标签k的概率，设为Dc。第一损失函数如下：
学习判别网络来判别生成的数据以及真实图片的类别标签k，c表示类别标签k的集合，用Dc(xk)k来表示属于表情类别标签k的xk(xk表示真实表情图片集中的第k类表情的一个图片)被判别网络D分为k的概率，用Dc(G(z,c)c＝k)k来表示由生成网络产生的表情类别标签为k的生成图片由判别网络D分为k的概率。第二损失函数如下：
(41)训练判别网络D来最大化其输出属于真实图片或属于生成网络G生成的数据的概率；训练判别网络D来最大化(即训练判别网络D最大化其分类概率)；
(42)训练生成网络G来最小化log(1-DT(G(z)))；训练生成网络G来最大化
训练步骤具体如下：
1.更新判别网络D的参数
A、将真实图片集x输入到判别网络D，根据第一损失函数中的判别损失函数logDT(x)来更新判别网络D的参数；并输入图片对应的类别标签k，根据第二损失函数中的分类损失函数log(Dc(xk)k)来更新判别网络D的参数。
B、将随机噪声信号z和类别标签k作为生成网络G的输入，再将生成网络G生成的数据作为判别网络D的输入，根据第一损失函数中的判别损失函数log(1-DT(G(z)))来更新判别网络D的参数；并以对应的类别标签k，根据第二损失函数中的分类损失函数log(Dc(G(z,c)c＝k)k)来更新判别网络D的参数。
2.更新生成网络G的参数
将随机的噪声信号z和类别标签k作为生成网络G的输入，再将生成网络G生成的数据作为判别网络D的输入，根据第一损失函数中的判别损失函数log(1-DT(G(z)))来更新生成网络G的参数；并以对应的类别标签k，根据第二损失函数中的分类损失函数log(Dc(G(z,c)c＝k)k)来更新生成网络G的参数。
(5)使用生成网络D生成需要的表情图片
将随机噪声信号z和需要的类别标签k，输入到以上训练好的生成网络G中，得到指定类别的表情图片。网络生成的表情图片如图4所示，其中从上往下数的第一排的表情表示惊讶，第二排的表情表示生气，第三排的表情表示微笑。
以上实施例是以人的面部表情图片为例进行的说明，但本领域技术人员应当理解，本发明不仅可以用来生成表情，也可以用来训练生成其他种类图片。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (6)

1.一种基于深度学习的图片生成方法，其特征在于，包括如下步骤：
(1)建立图片数据库：收集若干真实图片并对其进行分类和标注，每张图片具有唯一与之对应的类别标签k；
(2)构建生成网络G：在所述生成网络G中输入随机的噪声信号z和类别标签k组合而成的向量，将所述生成网络G生成的数据作为判别网络D的输入；
(3)构建判别网络D：所述判别网络D的损失函数由用于判断图片真假的第一损失函数和用于判断图片类别的第二损失函数组成；
所述第一损失函数如下：
其中，为判别损失函数logDT(x)的期望， 为判别损失函数log(1-DT(G(z)))的期望；判别网络D有两个输出，一个为判断图片来源的输出，即输出真/假，设为DT，另一个为判断图片类别的输出，即输出图片属于类别标签k的概率，设为Dc；pg表示真实图片集x的分布；pz(z)表示随机的噪声信号z的噪声变量，用G(z；θg)将其映射到数据空间；生成网络G由参数θg构成的；
所述第二损失函数如下：
其中，为分类损失函数log(Dc(xk)k)的期望，为分类损失函数log(Dc(G(z,c)c＝k)k)的期望；c表示类别标签k的集合，xk表示真实图片集中的第k类图片的一个图片，Dc(xk)k表示属于图片的类别标签k的xk被判别网络D判断为k的概率，Dc(G(z,c)c＝k)k表示由生成网络G产生的类别标签为k的生成图片由判别网络D分为k的概率；
(4)训练网络：
(41)训练所述判别网络D来最大化其输出属于真实图片或属于生成网络G生成的数据的概率；训练所述判别网络D来最大化
(42)训练所述生成网络G来最小化log(1-DT(G(z)))；训练所述生成网络G来最大化
(5)生成需要的图片：将随机的噪声信号z和类别标签k输入到经过步骤(4)训练好的生成网络G中，得到指定类别的图片。
2.根据权利要求1所述的基于深度学习的图片生成方法，其特征在于，所述步骤(41)具体包括如下步骤：
A、将真实图片集x输入到判别网络D，根据所述第一损失函数中的判别损失函数logDT(x)来更新判别网络D的参数；并输入图片对应的类别标签k，根据所述第二损失函数中的分类损失函数log(Dc(xk)k)来更新判别网络D的参数；
B、将随机的噪声信号z和类别标签k作为生成网络G的输入，再将生成网络G生成的数据作为判别网络D的输入，根据所述第一损失函数中的判别损失函数log(1-DT(G(z)))来更新判别网络D的参数；并以对应的类别标签k，根据所述第二损失函数中的分类损失函数log(Dc(G(z,c)c＝k)k)来更新判别网络D的参数。
3.根据权利要求1所述的基于深度学习的图片生成方法，其特征在于，所述步骤(42)具体包括如下步骤：
将随机的噪声信号z和类别标签k作为生成网络G的输入，再将生成网络G生成的数据作为判别网络D的输入，根据所述第一损失函数中的判别损失函数log(1-DT(G(z)))来更新生成网络G的参数；并以对应的类别标签k，根据所述第二损失函数中的分类损失函数log(Dc(G(z,c)c＝k)k)来更新生成网络G的参数。
4.根据权利要求1-3任一项所述的基于深度学习的图片生成方法，其特征在于，所述图片为人的面部表情图片。
5.一种用于权利要求1-4任一所述的图片生成方法的基于深度学习的图片生成对抗网络，其特征在于，所述生成对抗网络包括生成网络和判别网络，其中：
所述生成网络包括第一输入层、第一全连接层、第一反卷积层、第一批归一化层和第一激活层，以随机的噪声信号和类别标签组合而成的向量作为所述第一输入层的输入，所述输入经过所述第一全连接层、所述第一反卷积层、所述第一批归一化层和所述第一激活层后生成数据；
所述判别网络包括第二输入层、第二反卷积层、第二批归一化层、第二激活层和第二全连接层，分别以所述生成网络生成的数据和真实图片作为所述第二输入层的输入，所述第二全连接层由用于判断图片真假的全连接层和用于判断图片类别的全连接层组成，所述第二输入层的输入经过所述第二反卷积层、第二批归一化层、第二激活层和第二全连接层后，得到指定类别的图片。
6.如权利要求5所述的基于深度学习的图片生成对抗网络，所述图片为人的面部表情图片。
CN201710346320.6A 2017-05-17 2017-05-17 一种基于深度学习的图片生成方法及生成对抗网络 Active CN107220600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710346320.6A CN107220600B (zh) 2017-05-17 2017-05-17 一种基于深度学习的图片生成方法及生成对抗网络

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710346320.6A CN107220600B (zh) 2017-05-17 2017-05-17 一种基于深度学习的图片生成方法及生成对抗网络

Publications (2)

Publication Number Publication Date
CN107220600A CN107220600A (zh) 2017-09-29
CN107220600B true CN107220600B (zh) 2019-09-10

Family

ID=59945007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710346320.6A Active CN107220600B (zh) 2017-05-17 2017-05-17 一种基于深度学习的图片生成方法及生成对抗网络

Country Status (1)

Country Link
CN (1) CN107220600B (zh)

Families Citing this family (80)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832691B (zh) * 2017-10-30 2021-10-26 北京小米移动软件有限公司 微表情识别方法及装置
CN107862270B (zh) * 2017-10-31 2020-07-21 深圳云天励飞技术有限公司 人脸分类器训练方法、人脸检测方法及装置、电子设备
CN108090499B (zh) * 2017-11-13 2020-08-11 中国科学院自动化研究所 基于最大信息三元组筛选网络的数据主动标注方法和系统
CN107862734A (zh) * 2017-11-14 2018-03-30 华南理工大学 一种基于生成对抗网络的渲染图像光照方法
CN108038821A (zh) * 2017-11-20 2018-05-15 河海大学 一种基于生成式对抗网络的图像风格迁移方法
CN108021931A (zh) 2017-11-20 2018-05-11 阿里巴巴集团控股有限公司 一种数据样本标签处理方法及装置
CN108875511B (zh) * 2017-12-01 2022-06-21 北京迈格威科技有限公司 图像生成的方法、装置、系统及计算机存储介质
CN108038823B (zh) * 2017-12-06 2021-07-09 厦门美图之家科技有限公司 图像型变网络模型的训练方法、图像型变方法及计算设备
CN107798669B (zh) * 2017-12-08 2021-12-21 北京小米移动软件有限公司 图像去雾方法、装置及计算机可读存储介质
CN107968962B (zh) * 2017-12-12 2019-08-09 华中科技大学 一种基于深度学习的两帧不相邻图像的视频生成方法
CN108122209B (zh) * 2017-12-14 2020-05-15 浙江捷尚视觉科技股份有限公司 一种基于对抗生成网络的车牌去模糊方法
CN108230239A (zh) * 2017-12-25 2018-06-29 中国科学院自动化研究所 人脸表情图像合成装置
CN109993177A (zh) * 2017-12-29 2019-07-09 华为技术有限公司 一种图像处理方法及装置
CN108198179A (zh) * 2018-01-03 2018-06-22 华南理工大学 一种生成对抗网络改进的ct医学图像肺结节检测方法
CN108280413B (zh) * 2018-01-17 2022-04-19 百度在线网络技术（北京）有限公司 人脸识别方法和装置
CN108154547B (zh) * 2018-01-17 2019-08-09 百度在线网络技术（北京）有限公司 图像生成方法和装置
CN108334832A (zh) * 2018-01-26 2018-07-27 深圳市唯特视科技有限公司 一种基于生成对抗网络的视线估计方法
CN108322349B (zh) * 2018-02-11 2021-04-06 浙江工业大学 基于对抗式生成网络的深度学习对抗性攻击防御方法
CN108399389B (zh) * 2018-03-01 2020-05-08 路志宏 机器视觉的多机监管系统、方法及客户机、服务器、存储介质
CN108388873A (zh) * 2018-03-01 2018-08-10 路志宏 一种机器视觉的监管系统、方法及客户机、存储介质
CN108388925A (zh) * 2018-03-06 2018-08-10 天津工业大学 基于新型条件对抗生成网络的抗模式崩溃鲁棒图像生成方法
CN108460152A (zh) * 2018-03-26 2018-08-28 王智华 一种数据的多维映射方法、装置及计算机可读存储介质
CN108537855B (zh) * 2018-04-02 2022-04-26 景德镇陶瓷大学 一种草图一致的陶瓷花纸图案生成方法及装置
CN108665058B (zh) * 2018-04-11 2021-01-05 徐州工程学院 一种基于分段损失的生成对抗网络方法
CN108520282B (zh) * 2018-04-13 2020-04-03 湘潭大学 一种基于Triple-GAN的分类方法
US10810754B2 (en) 2018-04-24 2020-10-20 Ford Global Technologies, Llc Simultaneous localization and mapping constraints in generative adversarial networks for monocular depth estimation
CN108765549A (zh) * 2018-04-30 2018-11-06 程昔恩 一种基于人工智能的产品三维展示方法及装置
CN108665414A (zh) * 2018-05-10 2018-10-16 上海交通大学 自然场景图片生成方法
CN108805418B (zh) * 2018-05-22 2021-08-31 福州大学 一种基于生成式对抗网络的交通数据填充方法
CN108763874A (zh) * 2018-05-25 2018-11-06 南京大学 一种基于生成对抗网络的染色体分类方法及装置
CN108921851B (zh) * 2018-06-06 2021-07-09 深圳市未来媒体技术研究院 一种基于3d对抗网络的医学ct图像分割方法
CN108846355B (zh) 2018-06-11 2020-04-28 腾讯科技（深圳）有限公司 图像处理方法、人脸识别方法、装置和计算机设备
CN108810551B (zh) * 2018-06-20 2021-01-12 Oppo（重庆）智能科技有限公司 一种视频帧预测方法、终端及计算机存储介质
CN108898527B (zh) * 2018-06-21 2021-10-29 福州大学 一种基于有损测量的生成模型的交通数据填充方法
CN108829855B (zh) * 2018-06-21 2021-02-19 山东大学 基于条件生成对抗网络的衣着穿搭推荐方法、系统及介质
CN109145938A (zh) * 2018-06-26 2019-01-04 阿里巴巴集团控股有限公司 一种使用分类器进行分类的方法和装置
CN108961272B (zh) * 2018-07-02 2021-10-26 浙江工业大学 一种基于深度卷积对抗生成网络的皮肤病图像的生成方法
CN109063756A (zh) * 2018-07-20 2018-12-21 天津师范大学 一种基于多模态生成式对抗网络的云图分类方法
JP7139749B2 (ja) * 2018-07-23 2022-09-21 日本電信電話株式会社 画像認識学習装置、画像認識装置、方法、及びプログラム
CN109344778A (zh) * 2018-10-10 2019-02-15 成都信息工程大学 基于生成对抗网络的无人机影像道路信息提取方法
CN109508647A (zh) * 2018-10-22 2019-03-22 北京理工大学 一种基于生成对抗网络的光谱数据库扩展方法
US10474713B1 (en) * 2018-10-26 2019-11-12 StradVision, Inc. Learning method and learning device using multiple labeled databases with different label sets and testing method and testing device using the same
CN109413068B (zh) * 2018-10-29 2021-01-26 浙江工业大学 一种基于对偶gan的无线信号加密方法
CN109360436B (zh) * 2018-11-02 2021-01-08 Oppo广东移动通信有限公司 一种视频生成方法、终端及存储介质
CN109584257B (zh) * 2018-11-28 2022-12-09 中国科学院深圳先进技术研究院 一种图像处理方法及相关设备
CN109508689B (zh) * 2018-11-28 2023-01-03 中山大学 一种对抗强化的表情识别方法
TWI705340B (zh) 2018-12-13 2020-09-21 財團法人工業技術研究院 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
CN109800768B (zh) * 2018-12-15 2021-05-14 中国人民解放军陆军工程大学 半监督gan的散列特征表示学习方法
CN109711442B (zh) * 2018-12-15 2021-04-16 中国人民解放军陆军工程大学 无监督逐层生成对抗特征表示学习方法
CN109674471A (zh) * 2018-12-18 2019-04-26 中国科学技术大学 一种基于生成对抗网络的电阻抗成像方法及系统
CN109741244A (zh) * 2018-12-27 2019-05-10 广州小狗机器人技术有限公司 图片生成方法及装置、存储介质及电子设备
CN111382775B (zh) * 2018-12-29 2023-10-20 清华大学 用于x射线图像处理的生成对抗网络及其方法
CN109840561A (zh) * 2019-01-25 2019-06-04 湘潭大学 一种可用于垃圾分类的垃圾图像自动生成方法
CN109947426B (zh) * 2019-03-12 2022-06-17 天津字节跳动科技有限公司 应用程序的生成方法、装置及电子设备
CN109885091B (zh) * 2019-03-21 2021-08-24 华北电力大学（保定） 一种无人机自主飞行控制方法及系统
CN110084119A (zh) * 2019-03-26 2019-08-02 安徽艾睿思智能科技有限公司 基于深度学习的低分辨率人脸图像识别方法
CN110008554B (zh) * 2019-03-27 2022-10-18 哈尔滨工业大学 一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测的工艺参数、焊具结构优化方法
CN111797863A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 模型训练方法、数据处理方法、装置、存储介质及设备
CN110196908A (zh) * 2019-04-17 2019-09-03 深圳壹账通智能科技有限公司 数据分类方法、装置、计算机装置及存储介质
CN110084845A (zh) * 2019-04-30 2019-08-02 王智华 变形预测方法、装置及计算机可读存储介质
CN110110780B (zh) * 2019-04-30 2023-04-07 南开大学 一种基于对抗神经网络和海量噪声数据的图片分类方法
CN110415309B (zh) * 2019-06-26 2023-09-08 公安部第三研究所 基于生成对抗网络实现指纹图片自动生成的方法
CN112434716B (zh) * 2019-08-21 2024-03-29 中国科学院声学研究所 一种基于条件对抗神经网络的水下目标数据扩增方法及系统
CN110490659B (zh) * 2019-08-21 2022-01-11 广东电网有限责任公司 一种基于gan的用户负荷曲线生成方法
CN110717412A (zh) * 2019-09-23 2020-01-21 广东工业大学 一种检测恶意pdf文档的方法及系统
CN110910310B (zh) * 2019-10-25 2021-04-30 南京大学 一种基于身份信息的人脸图像重建方法
WO2021102697A1 (zh) * 2019-11-26 2021-06-03 驭势（上海）汽车科技有限公司 生成对抗网络的训练方法和系统、电子设备和存储介质
CN110897634A (zh) * 2019-12-17 2020-03-24 安徽心之声医疗科技有限公司 一种基于生成对抗网络的心电信号生成方法
CN110738276A (zh) * 2019-12-19 2020-01-31 北京影谱科技股份有限公司 图像素材生成方法和装置及电子设备、计算机可读存储介质
CN111127454A (zh) * 2019-12-27 2020-05-08 上海交通大学 基于深度学习生成工业缺陷样本的方法及系统
CN111414856B (zh) * 2020-03-19 2022-04-12 支付宝(杭州)信息技术有限公司 实现用户隐私保护的人脸图像生成方法及装置
CN111388000B (zh) * 2020-03-27 2023-08-25 上海杏脉信息科技有限公司 虚拟肺部空气潴留图像预测方法及系统、存储介质及终端
CN111597977A (zh) * 2020-05-14 2020-08-28 公安部第三研究所 基于深度卷积生成对抗网络实现虹膜生物特征图片自动生成的方法
CN112100908B (zh) * 2020-08-31 2024-03-22 西安工程大学 一种基于多条件深度卷积生成对抗网络的服装设计方法
CN112102928B (zh) * 2020-09-02 2022-11-01 上海壁仞智能科技有限公司 病理图像染色风格归一化方法及装置
CN112183352A (zh) * 2020-09-29 2021-01-05 中国人民解放军国防科技大学 一种基于生成对抗网络的通信干扰方法
CN112259247B (zh) * 2020-10-22 2022-08-23 平安科技（深圳）有限公司 对抗网络训练、医疗数据补充方法、装置、设备及介质
CN112307926B (zh) * 2020-10-26 2022-12-06 西北工业大学 一种基于生成对抗网络的声学被动式舰船目标分类方法
CN112329116A (zh) * 2020-11-23 2021-02-05 恩亿科(北京)数据科技有限公司 基于生成对抗网络的畸零空间规划设计生成方法与系统
CN113033595A (zh) * 2020-12-24 2021-06-25 重庆大学 基于生成对抗网络的多标签汽车造型生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127702A (zh) * 2016-06-17 2016-11-16 兰州理工大学 一种基于深度学习的图像去雾算法
CN106295584A (zh) * 2016-08-16 2017-01-04 深圳云天励飞技术有限公司 深度迁移学习在人群属性的识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127702A (zh) * 2016-06-17 2016-11-16 兰州理工大学 一种基于深度学习的图像去雾算法
CN106295584A (zh) * 2016-08-16 2017-01-04 深圳云天励飞技术有限公司 深度迁移学习在人群属性的识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks;Denton E L等;《Advances in neural information processing systems》;20151231;1486-1494
Generative Adversarial Networks;Ian Goodfellow等;《International Conference on Neural Information Processing System》;20141231;1-9
InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets;Xi Chen等;《arXiv》;20160612;1-14

Also Published As

Publication number Publication date
CN107220600A (zh) 2017-09-29

Similar Documents

Publication Publication Date Title
CN107220600B (zh) 一种基于深度学习的图片生成方法及生成对抗网络
CN106295694B (zh) 一种迭代重约束组稀疏表示分类的人脸识别方法
CN106897738B (zh) 一种基于半监督学习的行人检测方法
CN108805009A (zh) 基于多模态信息融合的课堂学习状态监测方法及系统
CN104063719B (zh) 基于深度卷积网络的行人检测方法及装置
CN104572804B (zh) 一种视频物体检索的方法及其系统
CN108596039A (zh) 一种基于3d卷积神经网络的双模态情感识别方法及系统
CN106599800A (zh) 一种基于深度学习的人脸微表情识别方法
CN110188615A (zh) 一种人脸表情识别方法、装置、介质及系统
CN110363183A (zh) 基于生成式对抗网络的服务机器人视觉图片隐私保护方法
CN108256482A (zh) 一种基于卷积神经网络进行分布学习的人脸年龄估计方法
CN103984919A (zh) 基于粗糙集与混合特征的人脸表情识别方法
CN107491729B (zh) 基于余弦相似度激活的卷积神经网络的手写数字识别方法
CN109919177A (zh) 基于层次化深度网络的特征选择方法
CN110765873A (zh) 一种基于表情强度标签分布的面部表情识别方法与装置
CN110309875A (zh) 一种基于伪样本特征合成的零样本目标分类方法
CN109448703A (zh) 结合深度神经网络和主题模型的音频场景识别方法及系统
CN110246148A (zh) 多模态的深度信息融合和注意力学习的显著性检测方法
CN110084211A (zh) 一种动作识别方法
CN110048978A (zh) 一种信号调制识别方法
Phelps et al. Neural networks predict response biases of female túngara frogs
CN107045053A (zh) 一种基于可控标准的地表水质综合评价体系
CN102799872A (zh) 基于面部图像特征的图像处理方法
Kumar et al. A novel method for visually impaired using object recognition
CN110348320A (zh) 一种基于多损失深度融合的人脸防伪方法

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
GR01 Patent grant
GR01 Patent grant