CN109508740B - 基于高斯混合噪声生成式对抗网络的物体硬度识别方法 - Google Patents
基于高斯混合噪声生成式对抗网络的物体硬度识别方法 Download PDFInfo
- Publication number
- CN109508740B CN109508740B CN201811328795.3A CN201811328795A CN109508740B CN 109508740 B CN109508740 B CN 109508740B CN 201811328795 A CN201811328795 A CN 201811328795A CN 109508740 B CN109508740 B CN 109508740B
- Authority
- CN
- China
- Prior art keywords
- hardness
- network
- mixed noise
- gaussian
- gaussian mixed
- 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
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/40—Investigating hardness or rebound hardness
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明涉及机器学习技术领域,公开了基于高斯混合噪声生成式对抗网络的物体硬度识别方法,包括:以小规模标注硬度等级的触觉数据作为真值,训练高斯混合噪声生成式对抗网络,将高斯混合噪声输入所述高斯混合噪声生成式对抗网络,获取大规模生成样本;以高斯混合噪声生成式对抗网络的判别器的参数作为硬度识别网络参数的初值,利用所述大规模生成样本对硬度识别网络进行预训练,使用标注硬度等级的触觉数据对硬度识别网络进行再次训练,确定硬度识别网络的参数;将待预测的触觉数据输入硬度识别网络,获得待预测的触觉数据的硬度等级。本发明具有较高的硬度识别精度。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及基于高斯混合噪声生成式对抗网络的物体硬度识别方法。
背景技术
物体的硬度识别实质是获取物体的物理信息。近年来,随着机器人的发展,工业机器人趋于成熟并加速了工厂自动化的程度,而人形的机械手只能做一些简单的动作或抓取特定的物体,距离机械手成功抓取任意的物体还有很大的距离。机械手获取目标物的信息越多越有利于抓取,而物体的硬度作为其重要的物理属性之一,对物体的抓取有重要意义。
物体硬度识别的方法有多种,依据是否使用机器学习将现有基于触觉的硬度识别方法分为两大类,其中使用非机器学习的方法存在对硬件要求比较高,操作比较繁琐的问题,因此基于机器学习的硬度识别方法是当前的主要发展趋势。近几年随着深度学习的发展,可依据是否采用深度学习技术将基于机器学习的方法再细分为两类。其中,基于深度学习的物体硬度识别的精度比非深度学习的识别精度高,因此,基于深度学习的物体硬度识别有更广泛的应用。由于深度学习需要大量的训练样本来确定硬度识别网络的参数,但触觉数据的采集和标签的标注较为繁琐,浪费了大量的人力和时间成本。
发明内容
针对现有基于深度学习的物体硬度识别的样本问题,本发明提出了基于高斯混合噪声生成式对抗网络物体硬度识别方法,可以快速获取大量的生成样本,从而初步确定硬度识别网络的参数,再用少量标注硬度等级的触觉数据对硬度识别网络进行再次训练,确定硬度识别网络的参数的最终值,节省了大量的人力和时间成本,且具有较高的硬度识别精度。
为了实现上述目的,本发明采用以下技术方案:
基于高斯混合噪声生成式对抗网络的物体硬度识别方法,包括:
步骤1:以小规模标注硬度等级的触觉数据作为真值,训练高斯混合噪声生成式对抗网络,将高斯混合噪声输入所述高斯混合噪声生成式对抗网络,获取大规模生成样本;
步骤2:以高斯混合噪声生成式对抗网络的判别器的参数作为硬度识别网络的参数的初值,利用所述大规模生成样本对硬度识别网络进行预训练,使用标注硬度等级的触觉数据对硬度识别网络进行再次训练,确定硬度识别网络的参数的最终值;
步骤3:将待预测的触觉数据输入硬度识别网络,获得所述待预测触觉数据的硬度等级。
进一步地,所述步骤1包括:
步骤1.1:用机械臂前端的传感器碰触目标物体,采集触觉数据,将采集的触觉数据依据其硬度物理属性划分为L个硬度等级,并标注相应的标签为1、2、3、…、L,获得L类标注硬度等级的触觉数据;
步骤1.2:将L类标注硬度等级的触觉数据作为真值,训练高斯混合噪声生成式对抗网络:
步骤1.2.1:定义输入高斯混合噪声生成式对抗网络的高斯混合噪声的概率密度分布为:
其中,zi∈Rn为第i类标注硬度等级的触觉数据对应的输入高斯混合噪声,n为输入的高斯混合噪声中包含数据点的个数,为zi从第k个高斯分量中获取的高斯混合噪声,K为高斯分量的个数,表示高斯分布,和分别为第k个高斯分量的均值和协方差矩阵,为第k个高斯分量在所有高斯混合噪声信号中的权重;令
则的公式如下:
其中,η是服从标准正态分布的变量,为协方差矩阵对角线元素所构成的矢量,为第i类第k个标注硬度等级的触觉数据对应的输入高斯混合噪声,所述通过和被转化为在中的抽样;
步骤1.2.2:训练高斯混合噪声生成式对抗网络模型:通过优化如下损失函数实现高斯混合噪声生成式对抗网络的判别器D的训练:
其中,θD和θG分别代表高斯混合噪声生成式对抗网络的判别器D和生成器G中的模型参数,xi代表第i类标注硬度等级的触觉数据,pdata(xi)代表xi的概率密度分布;
通过优化如下损失函数实现高斯混合噪声生成式对抗网络的生成器G的训练:
将式(3)分别带入到式(4)和式(5)中得:
在式(7)中增加一个L2正则项,以防止减小到0:
其中,λ为L2正则项的权重;
分别通过式(6)和式(8)训练判别器D和生成器G,判别器D和生成器G的训练交替进行,得到最终的θD、θG、和即得到训练好的高斯混合噪声生成式对抗网络;
步骤1.3:将步骤1.2.2中得到的和代入式(3)得到高斯混合噪声,将所述高斯混合噪声输入训练好的高斯混合噪声生成式对抗网络,获取大规模生成样本。
进一步地,所述步骤2包括:
将所述高斯混合噪声生成式对抗网络的判别器的二分类改成L分类,其他结构和参数不变,作为硬度识别网络,利用获得的大规模生成样本预训练硬度识别网络,利用标注硬度等级的触觉数据再次训练硬度识别网络,得到硬度识别网络的参数的最终值。
进一步地,所述待预测的触觉数据为通过机械臂前端的传感器碰触物体实时获得的数据。
与现有技术相比,本发明具有的有益效果:
本发明采用高斯混合噪声生成式对抗网络识别物体硬度,优势在于:1)本发明可以基于高斯混合噪声生成式对抗网络进行样本扩充,可由小规模标注硬度等级的触觉数据生成大规模生成样本,减少人工标注样本的人力和时间成本;2)本发明通过与高斯混合噪声生成式对抗网络中判别器进行权值共享来确定硬度识别网络的参数的初值,再利用大规模生成样本进行预训练,最后用少量标注硬度等级的触觉数据调整硬度识别网络的参数训练方案,通过实验可知,利用本发明方法确定的硬度识别网络具有较高的硬度识别精度。
附图说明
图1为本发明实施例的基于高斯混合噪声生成式对抗网络的物体硬度识别方法的流程示意图。
图2为本发明实施例的高斯混合噪声生成式对抗网络的结构示意图,其中:(a)部分为生成器G的结构,(b)部分为判别器D的结构。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
如图1所示,本发明的一种基于高斯混合噪声生成式对抗网络的物体硬度识别方法,包括:
步骤S101:以小规模标注硬度等级的触觉数据作为真值,训练高斯混合噪声生成式对抗网络,将高斯混合噪声输入所述高斯混合噪声生成式对抗网络,获取大规模生成样本;所述大规模生成样本为生成的大规模标注硬度等级的触觉数据。
所述步骤S101包括:
步骤S1011:用机械臂前端的传感器碰触目标物体,采集触觉数据,将采集的触觉数据依据其物理属性划分为L个硬度等级,并标注相应的标签为1、2、3、…、L,获得L类标注硬度等级的触觉数据。作为一种可实施方式,将采集的触觉数据依据其物理属性划分为四类,分别为硬度等级1、硬度等级2、硬度等级3、硬度等级4,并标注相应的标签为1、2、3和4,获得四类标注硬度等级的触觉数据,且硬度等级1的触觉数据表示硬度最大,硬度等级4的触觉数据表示硬度最小。具体地,本发明在每一个等级都选择了两种硬度相近的参照物,一种用于采集训练样本,一种用于采集测试样本,避免参照物相同而带来的不公平测试,本领域技术人员应该知道,训练样本和测试样本均为标注硬度等级的触觉数据。本实施例的数据集共包含11000个样本,其中,训练样本10000个,测试样本1000个,样本是28*28的矩阵。采集的数据集的详情参见表1。
表1数据集
步骤S1012:将四类标注硬度等级的触觉数据作为真值,训练高斯混合噪声生成式对抗网络,高斯混合噪声生成式对抗网络的结构如图2所示,其中,(a)部分为生成器G的结构,(b)部分为判别器D的结构,S代表卷积或反卷积的步长,Pad代表卷积或反卷积运算中的补零数,生成器G的输入是1*30维的高斯混合噪声,经过30*1024维的全连接层的线性变换,得到1*1024维的数据,再变形为4*4*64维的数据,经过第一个反卷积层得到7*7*32维的数据,经过第二个反卷积层得到14*14*16维的数据,经过第三个反卷积层得到28*28维的数据;判别器D的输入是真实采集的28*28维的触觉数据或是生成器G输出的28*28维的数据,经过第一个卷积层得到14*14*16维的数据,经过第二个卷积层得到7*7*32维的数据,经过第三个卷积层得到4*4*16维的数据,经过第四个卷积层得到1*64维的数据,经过64*2维的全连接层的线性变换得到1*2维的数据,2个数据分别代表判别器D的输入属于真实采集数据和生成器G输出数据的概率。
传统的生成式对抗网络可以根据输入噪声生成与真实样本具有相同数据分布的样本,如果真实样本的数据分布比较复杂,则要求生成式对抗网络的模型具有一定深度,也需要更多的训练样本。而本发明利用少量的训练样本来获取大量带标注的生成样本。
步骤S1012.1:定义输入高斯混合噪声生成式对抗网络的高斯混合噪声的概率密度分布为:
其中,zi∈Rn为第i类样本对应的输入高斯混合噪声,n为输入的高斯混合噪声中包含数据点的个数,为zi从第k个高斯分量中获取的高斯混合噪声,K为高斯分量的个数,表示高斯分布,和分别为第k个高斯分量的均值和协方差矩阵,为第k个高斯分量在所有高斯混合噪声信号中的权重,具体地,本实施例中,n=30,K=20,令
则的公式如下:
其中,η是服从正态高斯分布的变量,为协方差矩阵对角线元素所构成的矢量,为第i类第k个标注硬度等级的触觉数据对应的输入高斯混合噪声,通过和被转化为在中的抽样;和通过步骤S1012.2得出。
步骤S1012.2:训练高斯混合噪声生成式对抗网络模型:
通过优化如下损失函数实现高斯混合噪声生成式对抗网络的判别器D的训练:
其中,θD和θG分别代表高斯混合噪声生成式对抗网络的判别器D和生成器G中的模型参数,xi代表第i类标注硬度等级的触觉数据,pdata(xi)代表xi的概率密度分布;
通过优化如下损失函数实现高斯混合噪声生成式对抗网络的生成器G的训练:
如式(3)所示,是和的函数,因此,μi和σi会和θG一同被训练,将式(3)分别带入到式(4)和式(5)中得:
然而,为了防止减小到0,在式(7)中增加了一个L2正则项:
其中,λ为L2正则项的权重,具体地,本实施例中,λ=0.1;
最终,分别通过式(6)和式(8)训练判别器D和生成器G,判别器D和生成器G的训练交替进行,得到最终的θD、θG、和即得到训练好的高斯混合噪声生成式对抗网络;
步骤S1013:将步骤S1012.2中得到的和代入式(3)得到高斯混合噪声,将得到的高斯混合噪声输入训练好的高斯混合噪声生成式对抗网络,获取大规模生成样本。具体地,本发明在10000个训练样本中仅选用1500个样本(每个等级各375个)作为真实标注样本,并将其送入高斯混合噪声生成式对抗网络中用于样本扩充,扩充的比例为1:30,即得到45000个生成样本,每个等级各扩充为11250个生成样本。
步骤S102:以高斯混合噪声生成式对抗网络的判别器的参数作为硬度识别网络的参数的初值,利用所述大规模生成样本对硬度识别网络进行预训练,使用标注硬度等级的触觉数据对硬度识别网络进行调整,确定硬度识别网络参数的最终值;
所述步骤S102包括:
将所述高斯混合噪声生成式对抗网络的判别器的二分类改成四分类,其他结构和参数不变,作为硬度识别网络,利用获得的大规模生成样本预训练硬度识别网络,利用标注硬度等级的触觉数据再次训练硬度识别网络,得到硬度识别网络的参数的最终值。
步骤S103:将待预测的触觉数据输入硬度识别网络,获得待预测的触觉数据的硬度等级。本实施例中,待预测的触觉数据为通过机械臂前端的传感器碰触物体实时获得的数据。
为了验证本发明的预测精度,本发明在硬件环境为Intel(R)Core(TM)i5CPU、16GB内存、4GB显存显卡,并安装有Matlab R2017b和Windows 7的计算机上进行实验,实验所选取的触觉数据为28*28维。本发明在1000个测试样本上进行了测试验证,结果如下:
1)采用本发明的技术可以以较快速度检测出触觉数据所对应物体的硬度程度,每个触觉数据的平均检测时间为0.25s左右。
2)采用本发明可获得94.4%的总体识别率,如表2所示,其中硬度等级1的识别率为96.4%,硬度等级2的识别率为92.8%,硬度等级3的识别率为90%,硬度等级4的识别率为98.4%。
表2 1000个触觉数据的检测结果
值得说明的是,硬度等级1的识别率、硬度等级2的识别率、硬度等级3的识别率、硬度等级4的识别率及总体识别率,分别代表的是预测硬度程度为硬度等级1的触觉数据、预测硬度程度为硬度等级2的触觉数据、预测硬度程度为硬度等级3的触觉数据、预测硬度程度为硬度等级4的触觉数据的硬度识别正确率及总体待预测数据的硬度总体识别正确率。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.基于高斯混合噪声生成式对抗网络的物体硬度识别方法,其特征在于,包括:
步骤1:以小规模标注硬度等级的触觉数据作为真值,训练高斯混合噪声生成式对抗网络,将高斯混合噪声输入所述高斯混合噪声生成式对抗网络,获取大规模生成样本;
步骤2:以高斯混合噪声生成式对抗网络的判别器的参数作为硬度识别网络的参数的初值,利用所述大规模生成样本对硬度识别网络进行预训练,使用标注硬度等级的触觉数据对硬度识别网络进行再次训练,确定硬度识别网络的参数的最终值;
步骤3:将待预测的触觉数据输入硬度识别网络,获得所述待预测的触觉数据的硬度等级;
所述步骤1包括:
步骤1.1:用机械臂前端的传感器碰触目标物体,采集触觉数据,将采集的触觉数据依据其硬度物理属性划分为L个硬度等级,并标注相应的标签为1、2、3、…、L,获得L类标注硬度等级的触觉数据;
步骤1.2:将L类标注硬度等级的触觉数据作为真值,训练高斯混合噪声生成式对抗网络:
步骤1.2.1:定义输入高斯混合噪声生成式对抗网络的高斯混合噪声的概率密度分布为:
其中,zi∈Rn为第i类标注硬度等级的触觉数据对应的输入高斯混合噪声,n为输入的高斯混合噪声中包含数据点的个数,为zi从第k个高斯分量中获取的高斯混合噪声,K为高斯分量的个数,表示高斯分布,和分别为第k个高斯分量的均值和协方差矩阵,为第k个高斯分量在所有高斯混合噪声信号中的权重;令
则的公式如下:
其中,η是服从标准正态分布的变量,为协方差矩阵对角线元素所构成的矢量,为第i类第k个标注硬度等级的触觉数据对应的输入高斯混合噪声,所述通过和被转化为在中的抽样;
步骤1.2.2:训练高斯混合噪声生成式对抗网络模型:通过优化如下损失函数实现高斯混合噪声生成式对抗网络的判别器D的训练:
其中,θD和θG分别代表高斯混合噪声生成式对抗网络的判别器D和生成器G中的模型参数,xi代表第i类标注硬度等级的触觉数据,pdata(xi)代表xi的概率密度分布;
通过优化如下损失函数实现高斯混合噪声生成式对抗网络的生成器G的训练:
将式(3)分别带入到式(4)和式(5)中得:
在式(7)中增加一个L2正则项,以防止减小到0:
其中,λ为L2正则项的权重;
分别通过式(6)和式(8)训练判别器D和生成器G,判别器D和生成器G的训练交替进行,得到最终的θD、θG、和即得到训练好的高斯混合噪声生成式对抗网络;
步骤1.3:将步骤1.2.2中得到的和代入式(3)得到高斯混合噪声,将所述高斯混合噪声输入训练好的高斯混合噪声生成式对抗网络,获取大规模生成样本。
2.根据权利要求1所述的基于高斯混合噪声生成式对抗网络的物体硬度识别方法,其特征在于,所述步骤2包括:
将所述高斯混合噪声生成式对抗网络的判别器的二分类改成L分类,其他结构和参数不变,作为硬度识别网络,利用获得的大规模生成样本预训练硬度识别网络,利用标注硬度等级的触觉数据再次训练硬度识别网络,得到硬度识别网络的参数的最终值。
3.根据权利要求1所述的基于高斯混合噪声生成式对抗网络的物体硬度识别方法,其特征在于,所述待预测的触觉数据为通过机械臂前端的传感器碰触物体实时获得的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811328795.3A CN109508740B (zh) | 2018-11-09 | 2018-11-09 | 基于高斯混合噪声生成式对抗网络的物体硬度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811328795.3A CN109508740B (zh) | 2018-11-09 | 2018-11-09 | 基于高斯混合噪声生成式对抗网络的物体硬度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109508740A CN109508740A (zh) | 2019-03-22 |
CN109508740B true CN109508740B (zh) | 2019-08-13 |
Family
ID=65747930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811328795.3A Active CN109508740B (zh) | 2018-11-09 | 2018-11-09 | 基于高斯混合噪声生成式对抗网络的物体硬度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109508740B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110265117A (zh) * | 2019-06-05 | 2019-09-20 | 深圳大学 | 医学图像生成方法及装置 |
CN110689086B (zh) * | 2019-10-08 | 2020-09-25 | 郑州轻工业学院 | 基于生成式对抗网络的半监督高分遥感图像场景分类方法 |
CN111191027B (zh) * | 2019-12-14 | 2023-05-30 | 上海电力大学 | 一种基于高斯混合分布vae的广义零样本识别方法 |
CN114662522A (zh) * | 2020-12-04 | 2022-06-24 | 成都大象分形智能科技有限公司 | 基于获取并识别噪声全景分布模型的信号分析方法及系统 |
CN113837008A (zh) * | 2021-08-24 | 2021-12-24 | 中国科学院深圳先进技术研究院 | 硬度识别方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956351A (zh) * | 2016-07-05 | 2016-09-21 | 上海航天控制技术研究所 | 一种基于机器学习的触觉信息分类计算建模方法 |
CN105983965A (zh) * | 2015-02-09 | 2016-10-05 | 高振钊 | 一种用于特定空间下机械手臂抓取的互感识别方法 |
CN107463952A (zh) * | 2017-07-21 | 2017-12-12 | 清华大学 | 一种基于多模态融合深度学习的物体材质分类方法 |
CN108304479A (zh) * | 2017-12-29 | 2018-07-20 | 浙江工业大学 | 一种基于图结构过滤的快速密度聚类双层网络推荐方法 |
CN108491874A (zh) * | 2018-03-19 | 2018-09-04 | 天津大学 | 一种基于生成式对抗网络的图像单分类方法 |
CN108647786A (zh) * | 2018-07-10 | 2018-10-12 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012034032A2 (en) * | 2010-09-10 | 2012-03-15 | The Board Of Regents Of Unbiversity Of Texas System | Antimicrobial solutions |
-
2018
- 2018-11-09 CN CN201811328795.3A patent/CN109508740B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105983965A (zh) * | 2015-02-09 | 2016-10-05 | 高振钊 | 一种用于特定空间下机械手臂抓取的互感识别方法 |
CN105956351A (zh) * | 2016-07-05 | 2016-09-21 | 上海航天控制技术研究所 | 一种基于机器学习的触觉信息分类计算建模方法 |
CN107463952A (zh) * | 2017-07-21 | 2017-12-12 | 清华大学 | 一种基于多模态融合深度学习的物体材质分类方法 |
CN108304479A (zh) * | 2017-12-29 | 2018-07-20 | 浙江工业大学 | 一种基于图结构过滤的快速密度聚类双层网络推荐方法 |
CN108491874A (zh) * | 2018-03-19 | 2018-09-04 | 天津大学 | 一种基于生成式对抗网络的图像单分类方法 |
CN108647786A (zh) * | 2018-07-10 | 2018-10-12 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
Non-Patent Citations (2)
Title |
---|
Learning Deep Network Representations with Adversarially Regularized Autoencoders;Wenchao Yu等;《Research Track Paper》;20180823;全文 |
生成式对抗网络在抑郁症分类中的应用;刘宇等;《计算机应用与软件》;20180630;第35卷(第6期);全文 |
Also Published As
Publication number | Publication date |
---|---|
CN109508740A (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508740B (zh) | 基于高斯混合噪声生成式对抗网络的物体硬度识别方法 | |
Mahboob et al. | A machine learning approach for student assessment in E-learning using Quinlan's C4. 5, Naive Bayes and Random Forest algorithms | |
CN105046277B (zh) | 特征显著性在图像质量评价中的鲁棒机理研究方法 | |
CN107330444A (zh) | 一种基于生成对抗网络的图像自动文本标注方法 | |
Chatterjee et al. | Extraction of binary black hole gravitational wave signals from detector data using deep learning | |
CN105701120A (zh) | 确定语义匹配度的方法和装置 | |
CN110045335A (zh) | 基于生成对抗网络的雷达目标航迹识别方法和装置 | |
CN109299462A (zh) | 基于多维卷积特征的短文本相似度计算方法 | |
CN105786898B (zh) | 一种领域本体的构建方法和装置 | |
CN110232123A (zh) | 文本的情感分析方法及其装置、计算设备与可读介质 | |
CN109766813A (zh) | 基于对称人脸扩充样本的字典学习人脸识别方法 | |
CN106844738A (zh) | 基于神经网络的食材之间容克关系的分类方法 | |
CN107491729A (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 | |
Stemle et al. | Using language learner data for metaphor detection | |
Taslim et al. | Plant leaf identification system using convolutional neural network | |
CN110533184A (zh) | 一种网络模型的训练方法及装置 | |
Rangulov et al. | Emotion recognition on large video dataset based on convolutional feature extractor and recurrent neural network | |
Tanjaya et al. | Pilates Pose Classification Using MediaPipe and Convolutional Neural Networks with Transfer Learning | |
Rozaliev et al. | Methods and applications for controlling the correctness of physical exercises performance | |
LeBeau | Power Analysis by Simulation using R and simglm | |
Kurzynski et al. | Multiple classifier system applied to the control of bioprosthetic hand based on recognition of multimodal biosignals | |
Muhdalifah | Pooling comparison in CNN architecture for Javanese script classification | |
Henri et al. | A deep transfer learning model for the identification of bird songs: A case study for Mauritius | |
Gore et al. | An exploration-based taxonomy for emergent behavior analysis in simulations | |
Huang et al. | Deep Learning Based a Novel Method of Classroom Behavior Recognition |
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 |