CN110263872B - 训练数据处理方法及装置 - Google Patents

训练数据处理方法及装置 Download PDF

Info

Publication number
CN110263872B
CN110263872B CN201910560235.9A CN201910560235A CN110263872B CN 110263872 B CN110263872 B CN 110263872B CN 201910560235 A CN201910560235 A CN 201910560235A CN 110263872 B CN110263872 B CN 110263872B
Authority
CN
China
Prior art keywords
image
noise
sample
images
training data
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
CN201910560235.9A
Other languages
English (en)
Other versions
CN110263872A (zh
Inventor
马永培
熊健皓
赵昕
和超
张大磊
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.)
Shanghai Eaglevision Medical Technology Co Ltd
Original Assignee
Shanghai Eaglevision Medical Technology Co Ltd
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 Shanghai Eaglevision Medical Technology Co Ltd filed Critical Shanghai Eaglevision Medical Technology Co Ltd
Priority to CN201910560235.9A priority Critical patent/CN110263872B/zh
Publication of CN110263872A publication Critical patent/CN110263872A/zh
Application granted granted Critical
Publication of CN110263872B publication Critical patent/CN110263872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种训练数据处理方法及设备，所述方法包括：获取训练数据中的各个类别的样本图像；获取对应于各个类别的样本图像的噪声图像；分别将所述噪声图像与对应类别的各个样本图像进行融合，融合后的图像与所述样本图像之间具有足够高的相似度。

Description

训练数据处理方法及装置
技术领域
本发明涉及机器学习领域，具体涉及一种训练数据处理方法及装置。
背景技术
神经网络的一个重要特性是能够从环境中学习，并把学习的结果分布存储于网络的突触连接中。神经网络的学习是一个过程，在其所处环境的激励下，相继给网络输入一些样本模式，并按照一定的规则(学习算法)调整网络各层的权值矩阵，待网络各层权值都收敛到一定值，学习过程结束，然后就可以用生成的神经网络对真实数据做分类。
在实际应用场景中，使用特点显著的训练数据可以训练出性能较好的神经网络，采集和整理训练数据(或称为学习集，Learning Set)的工作尤为重要，训练数据无疑是宝贵的无形资产。
保护训练数据，避免他人盗取并训练自己的神经网络模型，是人工智能领域目前面临的一大难题。
发明内容
有鉴于此，本发明提供了一种训练数据处理方法，包括以下步骤：
步骤S1、获取样本眼底图像步骤：
获取训练数据中的各个类别的样本眼底图像，然后执行步骤S2；
其中，训练数据中包含一个或多个类别的样本眼底图像，每一个类别的样本眼底图像分别具有一张或多张样本眼底图像；
步骤S2、获取噪声图像步骤：
在所述步骤S2中，获取与各个类别样本眼底图像相对应的噪声图像，
所述步骤S2包括：
步骤S21：利用生成式对抗网络，根据输入图像生成素材图像，然后执行步骤S22；
其中，对于不同类别的样本眼底图像，所述输入图像不相同；
步骤S22：根据所述素材图像和所述输入图像获得生成式对抗网络在生成素材图像时提供的噪声图像，然后执行步骤S23；
其中，将所述素材图像减去所述输入图像得到所述生成式对抗网络在生成素材图像时提供的噪声图像，所述生成式对抗网络在生成素材图像时提供的噪声图像中的全部像素点的像素值均小于设定阈值；
步骤S23：对所述生成式对抗网络在生成素材图像时提供的噪声图像进行尺寸和/或方向的变换操作，得到噪声图像，
然后，当噪声图像的尺寸与所述样本眼底图像的尺寸一致时，执行步骤S3；
当噪声图像的尺寸小于所述样本眼底图像的尺寸时，执行步骤S3'；
其中，与各个类别的样本眼底图像相对应的各个噪声图像均不相同；
步骤S3、图像融合步骤：
通过在至少一个通道中将像素值相相加、相减或相乘的方式，分别将所述噪声图像与对应类别的各个样本眼底图像进行融合，融合后的图像与所述样本眼底图像之间具有足够高的相似度，用于干扰神经网络模型的训练效果；其中，融合位置覆盖黄斑区域；
步骤S3'、图像融合步骤：
通过在至少一个通道中将像素值相加、相减或相乘的方式，分别将所述噪声图像与对应类别的各个样本眼底图像进行融合，融合后的图像与所述样本眼底图像之间具有足够高的相似度，用于干扰神经网络模型的训练效果；其中，将所述噪声图像与所述样本眼底图像中的设定区域进行融合，不同类别的样本眼底图像的所述设定区域不相同，融合位置覆盖黄斑区域。
相应地，本发明还提供一种训练数据处理设备，包括：至少一个处理器；以及与处理器通信连接的存储器；其中，所述存储器存储有可被处理器执行的指令，所述指令被处理器执行，以使处理器执行上述训练数据处理方法。
根据本发明实施例提供的训练数据处理方法及设备，利用样本图像与噪声图像进行融合，并使得融合结果与样本图像之间具有足够高的相似度，由此使人体视觉不易或不能发现样本图像存在异常，而当使用这种融合了噪声的样本图像训练模型时，会严重影响神经网络模型的性能，从而无法获得实际可用的图像分类或分割模型。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的训练数据处理方法的流程图；
图2为本发明实施例中的一幅噪声图像。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明提供一种训练数据处理方法，该方法可以由计算机或服务器等电子设备执行，用于处理图像分类或语义分割的神经网络模型的训练数据，训练数据中包括多类样本图像及其相应的标签信息。如图1所示该方法包括如下步骤：
S1,获取训练数据中的各个类别的样本图像。作为举例说明，例如训练数据中包括N类样本图像，每一类样本图像可分别有一张或多张。
S2,获取对应于各个类别的样本图像的噪声图像。对于N类样本图像则获取1……N张噪声图像。噪声图像本身没有任何语义，并且应当具备一定的随机性，像素值的分布不存在固定的规律。噪声图像的产生方式有多种，在一个实施例中，可以由人工制作，例如使用图像处理工具或模型绘制图2所示的噪声图像，该图像可以是单通道图像(灰度图像)，也可以是多通道图像(如RGB图像等)。
S3,分别将噪声图像与对应类别的各个样本图像进行融合，融合后的图像与样本图像之间具有足够高的相似度。可以只利用一张噪声图像与所有类别的样本图像进行融合，也可以利用多张噪声图像分别与不同类别的样本图像进行融合。
对于样本图像A、噪声图像B，将它们融合后得到图像A’，例如A’与A的相似度大于90％并小于100％，则人体视觉很难甚至完全不能辨别融合处理前后的区别，在人类看来融合后的图像仍然是样本图像所表达的内容。因此，也可以将融合后的结果理解为在样本图像中隐层了噪声图像的内容。
融合噪声图像与样本图像的融合方式包括对两张图像相应的像素点的像素值进行相加、相减、相乘等等，并且这些计算可以是在一个色彩通道中进行，也可以是在多个或者全部色彩通道中进行。具体方式取决于噪声图像的像素值大小，只要能够保持样本图像与融合了噪声图像后的结果具有足够高的相似度的方式都是可行的。
噪声图像的尺寸和样本图像的尺寸可以是相同或者不同的。当二者尺寸一致时，融合操作则是对全图各个像素点进行处理；当噪声图像的尺寸小于样本图像的尺寸时，可以将样本图像中的一个预先设定的区域与噪声图像进行融合(预先设定的区域的尺寸等于噪声图像的尺寸)，也即对部分像素点进行处理。
根据本发明实施例提供的训练数据处理方法，利用样本图像与噪声图像进行融合，并使得融合结果与样本图像之间具有足够高的相似度，由此使人体视觉不易或不能发现样本图像存在异常，而当使用这种融合了噪声的样本图像训练模型时，会严重影响神经网络模型的性能，从而无法获得实际可用的图像分类或分割模型。
需要说明的是，本方法并非是对样本图像进行不可逆的破坏处理。当本方(执行本方法的用户)需要使用这些被处理过的样本图像时，由于已知噪声图像的内容，只需要对这些样本图像进行逆向处理，去除其中的噪声图像即可还原样本图像，然后再使用其训练或验证本方的神经网络模型即可。
在一个优选的实施例中，步骤S2中获取的噪声图像中的全部像素点的像素值均小于设定阈值，例如在(0,5)之间，同时满足随机分布的特性。在步骤S3中可以通过像素值相加的方式融合噪声图像和样本图像。例如样本图像中的某个像素点的值为(128,99,240)，噪声图像中相应的像素点的值为(0,0,5)，进行融合后的像素点的值则变为(128,99,245)。上述优选的方案对噪声图像的要求比较低，并且融合算法简单，对系统资源消耗较小、成本较低，具有较强的实用性。
为了使数据盗用方不容易发现样本图像中融合噪声图像的规律，还可以进行如下处理：例如在上述步骤S3进行融合之前，对噪声图像进行尺寸和/或方向的变换操作。具体地，对于不同类别的样本图像，所添加的噪声体现的尺寸不同，或者方向不同等等。
例如当噪声图像的尺寸小于样本图像的尺寸时，对于不同类别的样本图像，设置其中的设定区域的位置是不相同的。进一步地，样本图像中通常包括背景区域和前景区域，以眼底图像为例，其中包括圆形视网膜区域(前景)和四周的黑色边框(背景)。如果噪声图像的尺寸小于眼底图像(样本图像)的尺寸，应当使设定区域至少部分位于视网膜区域内，避免盗用者剪裁背景时去除了噪声内容。优选地，设定区域全部位于视网膜区域内，并且覆盖黄斑区域。由于黄斑区域的像素值分布比较复杂，在此位置融合噪声图像的隐秘效果比较好，并且黄斑是重要的人体器官，现有的大多数模型都会学习黄斑影像的特征，以对眼底的病症或异常进行分类或分割，在此位置融合噪声能够加强对模型训练过程的干扰效果。
另外，如果对应于所有样本图像的噪声图像是同一张图像，那么虽然样本图像中被添加了噪声，神经网络也有可能学习到噪声图像的规律，使得噪声对训练的影响失效。因此在一个优选的实施例中，步骤S2中对于N类样本图像则获取相应的N张噪声图像，并且这N张噪声图像均不相同。这使得神经网络无法学习到噪声图像的规律，而提高噪声对训练过程的影响。
本发明还提供了一种可选的噪声图像获取方式，具体是在上述步骤S2中，利用生成式对抗网络(Generative Adversarial Networks，GAN)根据输入图像生成素材图像，然后根据素材图像和输入图像获得GAN在生成素材图像时提供的噪声图像。
这里所使用的素材图可以是任何图像，例如各种自然物体、动物、人物图像等等。GAN将根据输入的图像生成一张与输入图像非常相似的图像，即称之为素材图像。GAN内部包含两个子网络，一个是生成网络，用于获取输入图像，并生成一些噪声，然后将输入图像与噪声融合，由此生成了一个图像；另一个是判断网络，用于判断生成网络所生成的图像是否与输入的图像的类别是否一致，如果不一致则会控制生成网络调整噪声并重新生成图像，直至类别一致为止。所以GAN输出的图像通常可以以假乱真。
目前GAN通常被用于扩充训练样本，本发明实施例将GAN用于获取噪声。根据GAN生成图像的原理，只需要将GAN输出的图像减去输入图像即可得到其中的噪声。这种噪声图像的各个像素点的值通常都较小，即使可能存在像素值较大的点，其数量也会很少，并且分布比较离散，使用这种方式获得的噪声图像对样本图像进行处理，可以满足对处理前后相似度的需求，并且这种噪声图像的随机性极强，很难被找到规律，提高了保密效果。生成噪声图像的操作由GAN自动执行，减少人工操作，由此可提高对训练数据的处理效率。
在一个优选的实施例中，利用GAN针对各个类别的样本图像分别生成噪声图像，并且对应不同类别的样本图像所使用的输入图像不相同，以此来保证各个噪声图像的差异性足够高。
更优选地，在使用GAN时所使用的输入图像与样本图像属于同一大类。作为一个具体举例，本发明提供的方法可以具体应用于处理医疗图像，例如眼底图像。利用GAN获得噪声图像时，可以使用待处理图像中的眼底图像或者另外的眼底图像作为输入图像，使GAN生成另一张眼底图像，并由此获得噪声图像，通过这种优选的方式获得的噪声图像对待处理的眼底图像进行融合后，人体视觉将更难以发现处理痕迹，提高对训练数据的保护效果。
本发明还提供了一种训练数据处理设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述训练数据处理方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种训练数据处理方法，所述训练数据为眼底图像，其特征在于，所述方法包括：
获取训练数据中的各个类别的样本图像；
获取对应于各个类别的样本图像的噪声图像；其中，所述噪声图像中的像素点满足随机分布；
分别将所述噪声图像与对应类别的各个样本图像进行融合，融合后的图像与所述样本图像之间具有足够高的相似度并且无法用于获得可用的神经网络模型；其中，分别将所述噪声图像与对应类别的各个样本图像进行融合包括：将所述噪声图像至少覆盖对应类别的各个样本图像的黄斑区域；
从所述融合后的图像中去除对应的噪声图像，以用于神经网络模型的训练。
2.根据权利要求1所述的方法，其特征在于，所述噪声图像中的全部像素点的像素值均小于设定阈值；在分别将所述噪声图像与对应类别的各个样本图像进行融合的步骤中，通过在至少一个通道中将像素值相加或相减的方式融合所述噪声图像和所述样本图像。
3.根据权利要求1所述的方法，其特征在于，所述获取对应于各个类别的样本图像的噪声图像包括：利用生成式对抗网络根据输入图像生成素材图像；根据所述素材图像和所述输入图像获得所述生成式对抗网络在生成所述素材图像时提供的噪声图像。
4.根据权利要求3所述的方法，其特征在于，在利用生成式对抗网络根据输入图像生成素材图像的步骤中，对于不同类别的样本图像，所述输入图像不相同。
5.根据权利要求1-3中任一项所述的方法，所述对应于各个类别的样本图像的各个噪声图像均不相同。
6.根据权利要求1-5中任一项所述的方法，其特征在于，在获取对应于各个类别的样本图像的噪声图像的步骤中，还包括对所述噪声图像进行尺寸和/或方向的变换操作。
7.根据权利要求1-5中任一项所述的方法，其特征在于，在融合时所使用的噪声图像的尺寸与所述样本图像的尺寸一致。
8.根据权利要求1-5中任一项所述的方法，其特征在于，在融合时所使用的噪声图像的尺寸小于所述样本图像的尺寸，在分别将所述噪声图像与对应类别的各个样本图像进行融合的步骤中，将所述噪声图像与所述样本图像中的设定区域进行融合。
9.根据权利要求8所述的方法，其特征在于，不同类别的样本图像的所述设定区域不相同。
10.一种训练数据处理设备，其特征在于，包括：至少一个处理器；以及与处理器通信连接的存储器；其中，所述存储器存储有可被处理器执行的指令，所述指令被处理器执行，以使处理器执行如权利要求1-9中任一项所述的训练数据处理方法。
CN201910560235.9A 2019-06-26 2019-06-26 训练数据处理方法及装置 Active CN110263872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910560235.9A CN110263872B (zh) 2019-06-26 2019-06-26 训练数据处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910560235.9A CN110263872B (zh) 2019-06-26 2019-06-26 训练数据处理方法及装置

Publications (2)

Publication Number Publication Date
CN110263872A CN110263872A (zh) 2019-09-20
CN110263872B true CN110263872B (zh) 2022-05-17

Family

ID=67921774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910560235.9A Active CN110263872B (zh) 2019-06-26 2019-06-26 训练数据处理方法及装置

Country Status (1)

Country Link
CN (1) CN110263872B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807824B (zh) * 2019-11-08 2023-06-23 广东明创软件科技有限公司 噪声优化方法、装置、终端设备以及存储介质
CN111275126A (zh) * 2020-02-12 2020-06-12 武汉轻工大学 样本数据集生成方法、装置、设备及存储介质
CN114549941A (zh) * 2022-02-21 2022-05-27 北京百度网讯科技有限公司 一种模型测试方法、装置及电子设备
CN114863225B (zh) * 2022-07-06 2022-10-04 腾讯科技（深圳）有限公司 图像处理模型训练方法、生成方法、装置、设备及介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103268498A (zh) * 2013-04-21 2013-08-28 郑州轻工业学院 一种感兴趣区域模糊图像语义理解的方法
CN104237121A (zh) * 2014-09-18 2014-12-24 山东大学 一种精子活力性能检测方法
US9130651B2 (en) * 2010-08-07 2015-09-08 Joseph Akwo Tabe Mega communication and media apparatus configured to provide faster data transmission speed and to generate electrical energy
CN106162076A (zh) * 2016-06-27 2016-11-23 刘杰杰 大数据图像灰度化处理装置
CN106686281A (zh) * 2016-06-28 2017-05-17 南京理工大学 融合电路板噪声抑制能力测试系统
CN106897975A (zh) * 2017-02-07 2017-06-27 信阳师范学院 一种超立方体粒计算的图像去噪方法
CN107392128A (zh) * 2017-07-13 2017-11-24 南京邮电大学 基于双低秩表示和局部约束矩阵回归的鲁棒图像识别方法
CN107437077A (zh) * 2017-08-04 2017-12-05 深圳市唯特视科技有限公司 一种基于生成对抗网络的旋转面部表示学习的方法
CN108074244A (zh) * 2017-09-07 2018-05-25 汉鼎宇佑互联网股份有限公司 一种融合深度学习与背景差法的平安城市车流统计方法
CN108427964A (zh) * 2018-03-05 2018-08-21 中国地质科学院矿产资源研究所 一种遥感图像与地球化学的融合方法及系统
CN108615048A (zh) * 2018-04-04 2018-10-02 浙江工业大学 基于扰动进化对图像分类器对抗性攻击的防御方法
US10176405B1 (en) * 2018-06-18 2019-01-08 Inception Institute Of Artificial Intelligence Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations
WO2019090213A1 (en) * 2017-11-03 2019-05-09 Siemens Aktiengesellschaft Segmenting and denoising depth images for recognition applications using generative adversarial neural networks
CN109816032A (zh) * 2019-01-30 2019-05-28 中科人工智能创新技术研究院(青岛)有限公司 基于生成式对抗网络的无偏映射零样本分类方法和装置
CN109859204A (zh) * 2019-02-22 2019-06-07 厦门美图之家科技有限公司 卷积神经网络模型检验方法及装置
CN109872296A (zh) * 2019-01-04 2019-06-11 中山大学 一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10504004B2 (en) * 2016-09-16 2019-12-10 General Dynamics Mission Systems, Inc. Systems and methods for deep model translation generation

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9130651B2 (en) * 2010-08-07 2015-09-08 Joseph Akwo Tabe Mega communication and media apparatus configured to provide faster data transmission speed and to generate electrical energy
CN103268498A (zh) * 2013-04-21 2013-08-28 郑州轻工业学院 一种感兴趣区域模糊图像语义理解的方法
CN104237121A (zh) * 2014-09-18 2014-12-24 山东大学 一种精子活力性能检测方法
CN106162076A (zh) * 2016-06-27 2016-11-23 刘杰杰 大数据图像灰度化处理装置
CN106686281A (zh) * 2016-06-28 2017-05-17 南京理工大学 融合电路板噪声抑制能力测试系统
CN106897975A (zh) * 2017-02-07 2017-06-27 信阳师范学院 一种超立方体粒计算的图像去噪方法
CN107392128A (zh) * 2017-07-13 2017-11-24 南京邮电大学 基于双低秩表示和局部约束矩阵回归的鲁棒图像识别方法
CN107437077A (zh) * 2017-08-04 2017-12-05 深圳市唯特视科技有限公司 一种基于生成对抗网络的旋转面部表示学习的方法
CN108074244A (zh) * 2017-09-07 2018-05-25 汉鼎宇佑互联网股份有限公司 一种融合深度学习与背景差法的平安城市车流统计方法
WO2019090213A1 (en) * 2017-11-03 2019-05-09 Siemens Aktiengesellschaft Segmenting and denoising depth images for recognition applications using generative adversarial neural networks
CN108427964A (zh) * 2018-03-05 2018-08-21 中国地质科学院矿产资源研究所 一种遥感图像与地球化学的融合方法及系统
CN108615048A (zh) * 2018-04-04 2018-10-02 浙江工业大学 基于扰动进化对图像分类器对抗性攻击的防御方法
US10176405B1 (en) * 2018-06-18 2019-01-08 Inception Institute Of Artificial Intelligence Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations
CN109872296A (zh) * 2019-01-04 2019-06-11 中山大学 一种基于深度卷积生成式对抗网络的甲状腺结节病灶区生成的数据增强方法
CN109816032A (zh) * 2019-01-30 2019-05-28 中科人工智能创新技术研究院(青岛)有限公司 基于生成式对抗网络的无偏映射零样本分类方法和装置
CN109859204A (zh) * 2019-02-22 2019-06-07 厦门美图之家科技有限公司 卷积神经网络模型检验方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Spatial Fusion GAN for Image Synthesis;Fangneng Zhan等;《ResearchGate》;20190402;第1-8页 *
基于面部关鍵点描述的快速人脸识别算法研究;乔胜阳;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20170315(第03期);第I138-4034页 *

Also Published As

Publication number Publication date
CN110263872A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110263872B (zh) 训练数据处理方法及装置
US11188783B2 (en) Reverse neural network for object re-identification
KR102306658B1 (ko) 이종 도메인 데이터 간의 변환을 수행하는 gan의 학습 방법 및 장치
JP6348431B2 (ja) 画像処理方法、画像処理装置
CN105825192A (zh) 一种人脸表情识别方法及系统
CN109583364A (zh) 图像识别方法及设备
CN111914665A (zh) 一种人脸遮挡检测方法、装置、设备及存储介质
CN112733929A (zh) 一种改进Yolo水下图像小目标和遮挡目标的检测方法
CN111681182A (zh) 图片修复方法、装置、终端设备以及存储介质
DE112021006280T5 (de) Generieren von daten auf grundlage von vorab trainierten modellen unter verwendung generierender konkurrierender modelle
CN114821204A (zh) 一种基于元学习嵌入半监督学习图像分类方法与系统
CN113705294A (zh) 一种基于人工智能的图像识别方法、装置
CN114187201A (zh) 模型训练方法、图像处理方法、装置、设备及存储介质
KR102176787B1 (ko) 영상분류 방법 및 장치
CN114821796A (zh) 危险驾驶行为的识别方法、装置、设备及存储介质
CN112509154B (zh) 图像生成模型的训练方法、图像生成方法及装置
CN111950579A (zh) 分类模型的训练方法和训练装置
CN115761451A (zh) 花粉分类方法、装置、电子设备及存储介质
KR20220167061A (ko) 딥러닝 기반 병변 분류 방법 및 장치
Narayanan et al. A Review on Recognition of Disguise Face Mask Using Novel Deep Convolutional Neural Network
Wang et al. Evolving local interpretable model-agnostic explanations for deep neural networks in image classification
CN114004974A (zh) 对弱光环境下拍摄的图像的优化方法及装置
CN112053289A (zh) 自适应地清除测量数据中的不同类型干扰
CN113435301B (zh) 动物毛皮显微图像分类方法、装置、电子设备及存储介质
CN110443758B (zh) 一种医疗影像去噪方法及装置

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