CN111667428A - 基于自动搜索的噪声生成方法和装置 - Google Patents
基于自动搜索的噪声生成方法和装置 Download PDFInfo
- Publication number
- CN111667428A CN111667428A CN202010508072.2A CN202010508072A CN111667428A CN 111667428 A CN111667428 A CN 111667428A CN 202010508072 A CN202010508072 A CN 202010508072A CN 111667428 A CN111667428 A CN 111667428A
- Authority
- CN
- China
- Prior art keywords
- noise
- model
- initial
- noise reduction
- distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000009467 reduction Effects 0.000 claims abstract description 116
- 238000009826 distribution Methods 0.000 claims abstract description 115
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 108091026890 Coding region Proteins 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本申请公开了基于自动搜索的噪声生成方法和装置，涉及人工智能深度学习和图像处理技术领域。具体方案为：基于指数族分布的参数和类型，构建包含多个初始分布噪声的噪声搜索空间；利用噪声搜索空间，迭代执行模型更新步骤，模型更新步骤包括：采用当前的初始生成模型处理各初始分布噪声，得到目标混合分布噪声；基于目标混合分布噪声和预设的无噪训练样本，生成有噪训练样本，训练预设的降噪模型；根据降噪模型的降噪评分，更新初始生成模型；响应于确定出更新后的初始生成模型满足预设条件，将初始生成模型确定为用于生成噪声的噪声生成模型，以生成噪声。该实现方式通过构建噪声搜索空间来训练噪声生成模型，从而使得生成的噪声更接近实际场景的噪声。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及人工智能深度学习和图像处理技术领域。
背景技术
随着计算机技术的发展，模型训练受到万千瞩目。传统训练方法得到的模型对噪声非常敏感，因此在模型的训练样本加入噪声可以提升模型的性能，尤其对于降噪场景。在降噪场景中，加入训练样本的噪声越接近真实场景(也称实际场景)，训练得到降噪模型的降噪效果越好。因此，如何生成接近实际场景的噪声成为提高模型训练效果的重要手段。
发明内容
提供了一种基于自动搜索的噪声生成方法、装置、设备以及存储介质。
根据第一方面，提供了一种基于自动搜索的噪声生成方法，该方法包括：基于指数族分布的参数和类型，构建包含多个初始分布噪声的噪声搜索空间；利用噪声搜索空间，迭代执行模型更新步骤以更新预设的初始生成模型，模型更新步骤包括：采用当前的初始生成模型处理各初始分布噪声，得到目标混合分布噪声，其中，初始生成模型用于表征初始分布噪声与目标混合分布噪声之间的对应关系；基于目标混合分布噪声和预设的无噪训练样本，生成有噪训练样本，训练预设的降噪模型，其中，降噪模型用于降低输入图像的噪声；根据降噪模型的降噪评分，更新初始生成模型，其中，降噪评分用于表征降噪模型对输入图像的降噪程度；响应于确定出更新后的初始生成模型满足预设条件，将初始生成模型确定为用于生成噪声的噪声生成模型，以生成噪声。
根据第二方面，提供了一种基于自动搜索的噪声生成装置，该装置包括：构建单元，被配置成基于指数族分布的参数和类型，构建包含多个初始分布噪声的噪声搜索空间；迭代单元，被配置成利用噪声搜索空间，迭代执行模型更新步骤以更新预设的初始生成模型，模型更新步骤包括：采用当前的初始生成模型处理各初始分布噪声，得到目标混合分布噪声，其中，初始生成模型用于表征初始分布噪声与目标混合分布噪声之间的对应关系；基于目标混合分布噪声和预设的无噪训练样本，生成有噪训练样本，训练预设的降噪模型，其中，降噪模型用于降低输入图像的噪声；根据降噪模型的降噪评分，更新初始生成模型，其中，降噪评分用于表征降噪模型对输入图像的降噪程度；确定单元，被配置成响应于确定出更新后的初始生成模型满足预设条件，将初始生成模型确定为用于生成噪声的噪声生成模型，以生成噪声。
第三方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。
第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行上述方法。
根据本申请的技术解决了目前无法生成接近实际场景的噪声的问题，提高了生成的噪声与真实噪声之间的相似度。本申请公开的方案通过为训练样本添加更接近真实场景的噪声，可以使得模型训练消耗较少计算资源，即可以得到性能良好的模型。并且利用训练得到模型处理图像可以极大地降低图像的噪声，提高处理得到图像的清晰度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请的基于自动搜索的噪声生成方法的第一实施例的示意图；
图2是根据本申请的基于自动搜索的噪声生成方法的第二实施例的示意图；
图3是根据本申请的基于自动搜索的噪声生成装置的实施例的示意图；
图4是用来实现本申请实施例的基于自动搜索的噪声生成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
请参考图1，其示出了根据本申请的基于自动搜索的噪声生成方法的第一实施例的示意图。该基于自动搜索的噪声生成方法，可以包括以下步骤：
步骤101，基于指数族分布的参数和类型，构建包含多个初始分布噪声的噪声搜索空间。
在本实施例中，基于自动搜索的噪声生成方法的执行主体可以为基于自动搜索的噪声生成装置，该基于自动搜索的噪声生成装置可以为一个电子实体(例如服务器)，或者也可以为采用软件集成的应用。使用时，该基于自动搜索的噪声生成装置可以采用本实施例的基于自动搜索的噪声生成方法，生成噪声。
在本实施例中，上述执行主体(例如服务器)可以采用指数族分布来构建噪声搜索空间。具体地，可以采用不同类型、不同参数的指数族分布进行混合，得到多个初始分布噪声，各初始分布噪声可以构成上述噪声搜索空间。对于任一初始分布噪声，该初始分布噪声可以为不同参数的同类型指数族分布混合构成的初始分布噪声，例如，初始分布噪声可以为混合的高斯分布噪声。上述初始分布噪声还可以为不同类型指数族分布混合构成的初始分布噪声，且被混合的指数族分布的参数可以相同或不同，例如，初始分布噪声可以为高斯分布和泊松分布混合构成的分布噪声。上述初始分布噪声还可以高斯分布噪声、泊松分布噪声等未混合的分布噪声。可以理解的是，上述指数族分布可以包括但不限于高斯分布和泊松分布，本领域技术人员可以根据实际的需求选择具体的指数族分布。由此可见，上述噪声搜索空间可以为一个包含大量初始分布噪声的巨大搜索空间。
步骤102，利用噪声搜索空间，迭代执行模型更新步骤以更新预设的初始生成模型。
在本实施例中，基于步骤101构建的包含多个初始分布噪声的噪声搜索空间，针对该噪声搜索空间，上述执行主体可以利用该噪声搜索空间更新预设的初始生成模型。可以理解的是，初始生成模型的更新需要对模型中的参数不断的优化，因此上述执行主体可以迭代执行模型更新步骤来更新预设的初始生成模型中参数。具体地，模型更新步骤可以包括如下步骤1021～步骤1023，上述执行主体通过迭代执行步骤1021～步骤1023来更新初始生成模型中的参数。
步骤1021，采用当前的初始生成模型处理各初始分布噪声，得到目标混合分布噪声。
在本实施例中，上述执行主体可以采用当前的初始生成模型处理噪声空间中的各初始分布噪声。这里，上述当前的初始生成模型可以为对预设的初始生成模型进行初始化后得到的模型，此时，上述执行主体可以第一次执行模型更新步骤，该初始生成模型中的参数为经初始化直接得到的参数。上述当前的初始生成模型还可以为更新后的初始生成模型，此时，上述执行主体已经执行至少一次模型更新步骤，并将最后一次执行模型更新步骤得到的初始生成模型确定为当前的初始生成模型。需要说明的是，上述执行主体在采用当前的初始生成模型对初始分布噪声进行处理之后，可以得到目标混合分布噪声。上述初始生成模型可以用于表征初始分布噪声与目标混合分布噪声之间的对应关系。作为示例，上述执行主体可以将各初始分布噪声输入上述初始生成模型，初始生成模型可以按照特定的规则对所输入的初始分布噪声进行选取并处理，从而可以输出目标混合分布噪声。可以理解的是，上述初始生成模型还可以通过编码、解码的方式处理各初始分布噪声来得到上述目标混合分布噪声，这里对于初始生成模型如何处理初始分布噪声没有唯一的限定。
通常，上述噪声搜索空间中的初始分布噪声与实际场景中的噪声相差较大，因此初始分布噪声往往不能直接与用于模型训练的训练样本相叠加。与神经网络架构搜索(Neural Architecture Search，NAS)技术中的搜索空间类似，本实施例中的噪声搜索空间可以为目标混合分布噪声提供一组可能的初始分布噪声，对可能的初始分布噪声进行混合等处理之后得到的目标混合分布噪声可以解决初始分布噪声不符合实际场景的问题。具体地，上述执行主体可以采用上述初始生成模型处理各初始分布噪声，从而得到一组可能生成目标混合分布噪声的初始分布噪声。对上述初始生成模型的优化可以使得生成的目标混合分布噪声更接近真实场景的噪声。
步骤1022，基于目标混合分布噪声和预设的无噪训练样本，生成有噪训练样本，训练预设的降噪模型。
在本实施例中，基于步骤1021得到的目标混合分布噪声，上述执行主体可以采用各种方式对目标混合分布噪声进行处理，并将处理结果与预设的无噪训练样本相叠加，从而可以生成有噪训练样本。作为示例，上述执行主体可以从所得到的目标混合分布噪声中随机选取与无噪训练样本相叠加的待叠加噪声，或者上述执行主体可以按照预设规则从所得到的目标混合分布噪声中选取与无噪训练样本相叠加的待叠加噪声。其中，上述无噪训练样本可以为未添加噪声的图像样本。在生成有噪训练样本之后，上述执行主体可以利用有噪训练样本训练预设的降噪模型。这里，降噪模型可以为用于降低输入图像的噪声的模型。
在本实施例的一些可选的实现方式中，上述执行主体可以利用蒙特卡洛法对各目标混合分布噪声进行采样，从而得到待叠加噪声。而后，上述执行主体可以将所得到的待叠加噪声与上述无噪训练样本进行叠加，生成有噪训练样本。最后，上述执行主体可以采用生成的有噪训练样本训练预设的降噪模型。该实现方式中的蒙特卡洛法以概率统计理论为指导对目标混合分布噪声进行采样，从而可以使得噪声的采用结果更加符合实际场景，提高了采样结果的准确性。
步骤1023，根据降噪模型的降噪评分，更新初始生成模型。
在本实施例中，基于步骤1022训练得到的降噪模型，上述执行主体可以通过各种方式确定所得到的降噪模型的降噪评分。其中，降噪评分可以用于表征训练得到的降噪模型对输入图像的降噪效果。可以理解的是，如果基于初始生成模型可以得到效果良好的有噪训练样本，则训练得到的降噪模型的降噪效果也会良好，此时降噪模型的降噪评分也会更高。因此，这里可以根据训练得到的降噪模型的降噪评分来优化上述初始生成模型，从而可以提高基于初始生成模型得到的有噪训练样本的效果和降噪模型的降噪效果。
作为示例，可以采用卷积神经网络构建降噪模型的初始模型。实践中，上述电子设备可以通过反向传播算法训练卷积神经网络，从而可以得到优化后的降噪模型。上述反向传播算法也可称为误差反向传播算法、误差逆传播算法或后向传导算法。反向传播算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中，输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，还可以利用梯度下降算法对神经元权值(例如卷积层中卷积核的参数等)进行调整。需要说明的是，上述反向传播算法是目前广泛研究和应用的公知技术，在此不再赘述。
在本实施例的一些可选的实现方式中，上述执行主体可以利用预设的测试样本对采用有噪训练样本训练得到的降噪模型进行测试，从而可以得到降噪模型的降噪评分。该测试样本可以包括有噪样本图像和对应的去噪样本图像。具体地，可以采用测试样本中的有噪样本图像作为降噪模型的输入，从而得到降噪模型输出的降噪后的图像，将降噪模型输出的图像与测试样本中的去噪样本图像进行对比，可以得到两者的结构相似性(structural similarity index，SSIM)，该结构相似性即可以表征上述降噪模型的降噪评分。可以理解的是，上述执行主体还可以通过其他方式确定降噪模型的降噪评分，这里没有唯一的限定。例如，可以计算降噪模型输出的图像的峰值信噪比(Peak Signal-to-NoiseRatio，PSNR)，并用该峰值信噪比来表征上述降噪模型的降噪评分。该实现方式可以有效的评估降噪模型的降噪效果。
步骤103，响应于确定出更新后的初始生成模型满足预设条件，将初始生成模型确定为用于生成噪声的噪声生成模型，以生成噪声。
在本实施例中，基于步骤102可以得到多次迭代更新后的初始生成模型，上述执行主体可以判断迭代更新后的初始生成模型是否满足预设条件。该预设条件即为模型更新步骤的迭代停止条件。如果迭代更新后的初始生成模型满足上述预设条件，上述迭代更新后的初始生成模型即为优化得到的噪声生成模型，利用该噪声生成模型生成的噪声可以有效地提高降噪模型的降噪效果，优化后的初始生成模型生成的噪声更符合实际场景中的噪声。具体来说，利用优化后的初始生成模型可以提高得到的目标混合分布噪声与实际场景的噪声相似度，从而使得到的有噪训练样本更符合实际场景，因此利用该有噪训练样本训练得到的模型的降噪效果更好。
在本实施例的一些可选的实现方式中，上述执行主体可以预先设置模型更新步骤的迭代执行次数K。因此，如果确定出上述模型更新步骤迭代执行K次之后，可以确定出经过K次更新得到的更新后的初始生成模型满足预设条件，并将该更新后的初始生成模型确定为噪声生成模型。其中，上述K可以为正整数。该实现方式可以通过自主设置模型更新步骤的迭代次数来更新初始生成模型，从而可以有效的控制噪声生成模型的训练的时长。
在本实施例的一些可选的实现方式中，如果上述执行主体在第i次执行模型更新步骤的过程中确定出该次迭代训练得到的降噪模型的降噪评分大于预设评分，则可以确定出本次迭代中使用的当前的初始生成模型已经训练完成，此时可以确定本次迭代中使用的当前的初始生成模型(即第i-1次执行模型更新步骤更新得到的初始生成模型)满足预设条件。并将第i-1次执行模型更新步骤更新得到的初始生成模型确定为用于生成噪声的噪声生成模型。上述执行主体在此种情况下无需执行预设的K次模型更新步骤也可以得到满足要求的噪声生成模型。上述i为大于1的正整数，且i小于或等于K。该实现方式提供的方案可以在保证得到的初始生成模型的效果满足需求的同时，提高初始生成模型的训练效率。
相关技术中，通常采用高斯分布或者泊松分布的方式生成噪声。该方法往往假设真实的噪声服从高斯分布或者泊松分布，将服从高斯分布或者泊松分布的噪声加入训练样本进行模型训练。然而，服从高斯分布或者泊松分布的噪声与实际场景(也称真实场景)的噪声分布差别非常大。因此，通过加入上述噪声并不能很好的提升模型的性能。与现有技术中与训练样本相叠加的高斯分布噪声或者泊松分布噪声相比，本实施例利用噪声搜索空间和训练得到的噪声生成模型生成的噪声更接近实际场景。
本申请的上述实施例提供的基于自动搜索的噪声生成方法，可以基于指数族分布的参数和类型，构建包含多个初始分布噪声的噪声搜索空间，而后针对噪声搜索空间，可以迭代执行模型更新步骤，采用当前的初始生成模型处理各初始分布噪声，得到多个目标混合分布噪声，基于目标混合分布噪声和预设的无噪训练样本，可以生成有噪训练样本，并训练预设的降噪模型；根据降噪模型的降噪评分，可以迭代更新初始生成模型，从而可以得到满足预设条件的噪声生成模型，该噪声生成模型可以利用噪声搜索空间生成用于模型训练的训练样本相叠加噪声。本实施例中公开的方案可以利用噪声搜索空间得到优化后的噪声生成模型来生成噪声，从而使得生成的噪声更接近真实场景，利用本实施例中生成的噪声训练得到的模型性能更好。进一步地，与现有技术相比，在得到相同性能模型的情况下，本申请公开的方案通过为训练样本添加更接近真实场景的噪声，可以降低模型训练消耗的计算资源。
接下来请继续参考图2，图2是根据本申请的基于自动搜索的噪声生成方法的第二实施例的示意图。该基于自动搜索的噪声生成方法，可以包括以下步骤：
步骤201，基于指数族分布的参数和类型，构建包含多个初始分布噪声的噪声搜索空间。
在本实施例中，步骤201所公开的内容与上述实施例的步骤101所公开的内容相同或相似，这里不再赘述。
步骤202，利用噪声搜索空间，迭代执行模型更新步骤以更新预设的编码生成器。
在本实施例中，上述初始生成模型可以为用于对输入的初始序列串进行编码的编码生成器。基于步骤201构建的包含多个初始分布噪声的噪声搜索空间，上述执行主体可以利用该噪声搜索空间来更新预设的编码生成器得到噪声生成模型。可以理解的是，编码生成器的更新需要对其中的参数不断的优化，因此上述执行主体可以迭代执行模型更新步骤来更新预设的编码生成器中参数。具体地，模型更新步骤可以包括如下步骤2021～步骤2024，上述执行主体通过迭代执行步骤2021～步骤2024来更新编码生成器。
步骤2021，采用当前的编码生成器对初始序列串进行编码，生成编码序列串。
在本实施例中，当前的编码生成器可以为对预设的编码生成器进行初始化后得到的模型，此时，上述执行主体可以第一次执行模型更新步骤，该编码生成器中的参数为经初始化直接得到的参数。上述当前的编码生成器还可以为更新后的编码生成器，此时，上述执行主体已经执行至少一次模型更新步骤，并将最后一次执行模型更新步骤得到的编码生成器确定为当前的编码生成器。上述执行主体可以向该编码生成器输入固定的初始序列串，该编码生成器可以对应的输出编码序列串。可以理解的是，对于某一固定的初始序列串，如果编码生成器中的参数发生改变，则编码生成器输出的编码序列串也会发生改变。可以理解的是，上述编码生成器可以对所输入的固定序列串进行降维，从而可以提高生成目标混合分布噪声的效率。
实践中，上述编码生成器可以为采用例如循环神经网络(Recurrent NeuralNetwork,RNN)等构成的模型。针对输入的固定初始序列串，循环神经网络中的参数不同时，可以输出不同的编码序列串。这里，输入编码生成器的初始序列串可以根据噪声搜索空间中所包含的初始分布噪声的相关信息来确定。
步骤2022，基于噪声搜索空间中的初始分布噪声，将编码序列串解码成目标混合分布噪声。
在本实施例中，基于步骤2021生成的编码序列串，上述执行主体可以利用上述噪声搜索空间中的各初始分布噪声对所生成的编码序列串进行解码，得到一组可混合的初始分布噪声。而后，将所得到的初始分布噪声进行混合可以生成目标混合分布噪声。
步骤2023，基于目标混合分布噪声和预设的无噪训练样本，生成有噪训练样本，训练预设的降噪模型。
步骤2024，根据降噪模型的降噪评分，更新编码生成器。
在本实施例中，上述步骤2023～步骤2024所公开的内容分别与上述实施例中的步骤1022～步骤1023所公开的内容相同或相似，这里不再赘述。
步骤203，响应于确定出更新后的编码生成器满足预设条件，将编码生成器确定为用于生成噪声的噪声生成模型，以生成噪声。
在本实施例中，上述步骤202中的模型更新步骤采用编码、解码的方式得到目标混合分布噪声，该目标混合分布噪声与初始分布噪声相比更接近真实场景中的噪声。然而，仅仅通过一次编码、解码得到的目标混合分布噪声并不是非常接近真实场景中的噪声，这里可以通过迭代执行模型更新步骤来优化编码生成器，从而可以进一步寻找到更接近真实场景的目标混合分布噪声。但是，编码生成器不能无限的迭代更新，因此上述执行主体可以预先设置模型更新步骤迭代停止的预设条件。上述执行主体在模型更新步骤执行完成后可以判断更新后的编码生成器是否满足预设条件。如果迭代更新后的编码生成器满足上述预设条件，上述迭代更新后的编码生成器即为优化得到的噪声生成模型。上述执行主体可以利用该噪声生成模型输出的编码序列与噪声搜索空间得到分布更接近真实场景的目标混合分布噪声，提高了对目标混合分布噪声采样得到的噪声的真实性，即利用噪声生成模型得到的噪声更符合真实场景。
从图2中可以看出，与图1对应的实施例相比，本实施例提供的基于自动搜索的噪声生成方法中的模型更新步骤采用编码生成器生成编码序列串，并利用上述噪声搜索空间中的各初始分布噪声对所生成的编码序列串进行解码得到目标混合分布噪声，从而使得编码生成器在迭代更新的过程中所生成的与训练样本相叠加的噪声逐渐接近真实场景中的噪声。进一步地，本实施例提供的方法可以通过编码生成器快速得到目标混合分布噪声，从而提高了噪声生成模型的训练效率。
进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种基于自动搜索的噪声生成装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例的基于自动搜索的噪声生成装置300包括：构建单元301、迭代单元302、确定单元303。其中，构建单元301被配置成基于指数族分布的参数和类型，构建包含多个初始分布噪声的噪声搜索空间；迭代单元302被配置成利用噪声搜索空间，迭代执行模型更新步骤以更新预设的初始生成模型，模型更新步骤包括：采用当前的初始生成模型处理各初始分布噪声，得到目标混合分布噪声，其中，初始生成模型用于表征初始分布噪声与目标混合分布噪声之间的对应关系；基于目标混合分布噪声和预设的无噪训练样本，生成有噪训练样本，训练预设的降噪模型，其中，降噪模型用于降低输入图像的噪声；根据降噪模型的降噪评分，更新初始生成模型，其中，降噪评分用于表征降噪模型对输入图像的降噪程度；确定单元303被配置成响应于确定出更新后的初始生成模型满足预设条件，将初始生成模型确定为用于生成噪声的噪声生成模型，以生成噪声。
在本实施例的一些可选的实现方式中，初始生成模型为用于对初始序列串编码的编码生成器；模型更新步骤中，采用当前的初始生成模型处理各初始分布噪声，得到目标混合分布噪声，包括：采用当前的编码生成器对初始序列串进行编码，生成编码序列串；基于噪声搜索空间中的初始分布噪声，将编码序列串解码成目标混合分布噪声。
在本实施例的一些可选的实现方式中，模型更新步骤中，基于目标混合分布噪声和预设的无噪训练样本，生成有噪训练样本，训练预设的降噪模型，包括：利用蒙特卡洛法，对各目标混合分布噪声进行采样，得到待叠加噪声；将待叠加噪声与无噪训练样本进行叠加，生成有噪训练样本；利用有噪训练样本，对降噪模型进行训练。
在本实施例的一些可选的实现方式中，模型更新步骤中，在根据降噪模型的降噪评分，更新初始生成模型之前，步骤还包括：利用预设的测试样本，对降噪模型进行测试，得到降噪模型的降噪评分。
在本实施例的一些可选的实现方式中，确定单元303进一步被配置成：响应于确定出模型更新步骤迭代执行K次，确定第K次执行模型更新步骤得到的更新后的初始生成模型满足预设条件，其中，K为正整数；将更新后的初始生成模型确定为用于生成噪声的噪声生成模型。
在本实施例的一些可选的实现方式中，确定单元303进一步被配置成：响应于在第i次执行模型更新步骤的过程中确定出降噪模型的降噪评分大于预设评分，确定第i-1次执行模型更新步骤得到的更新后的初始生成模型满足预设条件，其中，i为大于1的正整数，且i小于或等于K；将更新后的初始生成模型确定为用于生成噪声的噪声生成模型。
装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置300及其中包含的单元，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本申请实施例的基于自动搜索的噪声生成方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的基于自动搜索的噪声生成方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的基于自动搜索的噪声生成方法。
存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的基于自动搜索的噪声生成方法对应的程序指令/模块(例如，附图3所示的获取单元301、标注单元302、输入单元303)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的基于自动搜索的噪声生成方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于自动搜索的噪声生成的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至基于自动搜索的噪声生成的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
基于自动搜索的噪声生成方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与基于自动搜索的噪声生成电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过构建噪声搜索空间来训练噪声生成模型，该噪声生成模型利用噪声搜索空间可以生成接近真实场景的噪声，将所生成的噪声与训练样本相叠加可以提高训练得到模型的性能。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (14)
1.一种基于自动搜索的噪声生成方法，包括：
基于指数族分布的参数和类型，构建包含多个初始分布噪声的噪声搜索空间；
利用所述噪声搜索空间，迭代执行模型更新步骤以更新预设的初始生成模型，所述模型更新步骤包括：采用当前的初始生成模型处理各所述初始分布噪声，得到目标混合分布噪声，其中，所述初始生成模型用于表征所述初始分布噪声与所述目标混合分布噪声之间的对应关系；基于所述目标混合分布噪声和预设的无噪训练样本，生成有噪训练样本，训练预设的降噪模型，其中，所述降噪模型用于降低输入图像的噪声；根据所述降噪模型的降噪评分，更新所述初始生成模型，其中，所述降噪评分用于表征所述降噪模型对输入图像的降噪程度；
响应于确定出更新后的初始生成模型满足预设条件，将所述初始生成模型确定为用于生成噪声的噪声生成模型，以生成噪声。
2.根据权利要求1所述的方法，其中，所述初始生成模型为用于对初始序列串编码的编码生成器；
所述采用当前的初始生成模型处理各所述初始分布噪声，得到目标混合分布噪声，包括：
采用当前的编码生成器对初始序列串进行编码，生成编码序列串；
基于所述噪声搜索空间中的初始分布噪声，将所述编码序列串解码成所述目标混合分布噪声。
3.根据权利要求1所述的方法，其中，所述基于所述目标混合分布噪声和预设的无噪训练样本，生成有噪训练样本，训练预设的降噪模型，包括：
利用蒙特卡洛法，对各所述目标混合分布噪声进行采样，得到待叠加噪声；
将所述待叠加噪声与所述无噪训练样本进行叠加，生成有噪训练样本；
利用所述有噪训练样本，对所述降噪模型进行训练。
4.根据权利要求1所述的方法，其中，在根据所述降噪模型的降噪评分，更新所述初始生成模型之前，所述方法还包括：
利用预设的测试样本，对所述降噪模型进行测试，得到所述降噪模型的降噪评分。
5.根据权利要求1所述的方法，其中，所述响应于确定出更新后的初始生成模型满足预设条件，将所述初始生成模型确定为用于生成噪声的噪声生成模型，包括：
响应于确定出所述模型更新步骤迭代执行K次，确定第K次执行所述模型更新步骤得到的更新后的初始生成模型满足预设条件，其中，K为正整数；
将所述更新后的初始生成模型确定为用于生成噪声的噪声生成模型。
6.根据权利要求5所述的方法，其中，所述响应于确定出更新后的初始生成模型满足预设条件，将所述初始生成模型确定为用于生成噪声的噪声生成模型，包括：
响应于在第i次执行所述模型更新步骤的过程中确定出所述降噪模型的降噪评分大于预设评分，确定第i-1次执行所述模型更新步骤得到的更新后的初始生成模型满足预设条件，其中，i为大于1的正整数，且i小于或等于K；
将所述更新后的初始生成模型确定为用于生成噪声的噪声生成模型。
7.一种基于自动搜索的噪声生成装置，包括：
构建单元，被配置成基于指数族分布的参数和类型，构建包含多个初始分布噪声的噪声搜索空间；
迭代单元，被配置成利用所述噪声搜索空间，迭代执行模型更新步骤以更新预设的初始生成模型，所述模型更新步骤包括：采用当前的初始生成模型处理各所述初始分布噪声，得到目标混合分布噪声，其中，所述初始生成模型用于表征所述初始分布噪声与所述目标混合分布噪声之间的对应关系；基于所述目标混合分布噪声和预设的无噪训练样本，生成有噪训练样本，训练预设的降噪模型，其中，所述降噪模型用于降低输入图像的噪声；根据所述降噪模型的降噪评分，更新所述初始生成模型，其中，所述降噪评分用于表征所述降噪模型对输入图像的降噪程度；
确定单元，被配置成响应于确定出更新后的初始生成模型满足预设条件，将所述初始生成模型确定为用于生成噪声的噪声生成模型，以生成噪声。
8.根据权利要求7所述的装置，其中，所述初始生成模型为用于对初始序列串编码的编码生成器；
所述模型更新步骤中，所述采用当前的初始生成模型处理各所述初始分布噪声，得到目标混合分布噪声，包括：
采用当前的编码生成器对初始序列串进行编码，生成编码序列串；
基于所述噪声搜索空间中的初始分布噪声，将所述编码序列串解码成所述目标混合分布噪声。
9.根据权利要求7所述的装置，其中，所述模型更新步骤中，所述基于所述目标混合分布噪声和预设的无噪训练样本，生成有噪训练样本，训练预设的降噪模型，包括：
利用蒙特卡洛法，对各所述目标混合分布噪声进行采样，得到待叠加噪声；
将所述待叠加噪声与所述无噪训练样本进行叠加，生成有噪训练样本；
利用所述有噪训练样本，对所述降噪模型进行训练。
10.根据权利要求7所述的装置，其中，所述模型更新步骤中，在根据所述降噪模型的降噪评分，更新所述初始生成模型之前，所述步骤还包括：
利用预设的测试样本，对所述降噪模型进行测试，得到所述降噪模型的降噪评分。
11.根据权利要求7所述的装置，其中，所述确定单元进一步被配置成：
响应于确定出所述模型更新步骤迭代执行K次，确定第K次执行所述模型更新步骤得到的更新后的初始生成模型满足预设条件，其中，K为正整数；
将所述更新后的初始生成模型确定为用于生成噪声的噪声生成模型。
12.根据权利要求11所述的装置，其中，所述确定单元进一步被配置成：
响应于在第i次执行所述模型更新步骤的过程中确定出所述降噪模型的降噪评分大于预设评分，确定第i-1次执行所述模型更新步骤得到的更新后的初始生成模型满足预设条件，其中，i为大于1的正整数，且i小于或等于K；
将所述更新后的初始生成模型确定为用于生成噪声的噪声生成模型。
13.一种电子设备，其中，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至少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能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010508072.2A CN111667428A (zh) | 2020-06-05 | 2020-06-05 | 基于自动搜索的噪声生成方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010508072.2A CN111667428A (zh) | 2020-06-05 | 2020-06-05 | 基于自动搜索的噪声生成方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111667428A true CN111667428A (zh) | 2020-09-15 |
Family
ID=72386959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010508072.2A Pending CN111667428A (zh) | 2020-06-05 | 2020-06-05 | 基于自动搜索的噪声生成方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111667428A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115035911A (zh) * | 2022-05-31 | 2022-09-09 | 中国第一汽车股份有限公司 | 噪声生成模型训练方法、装置、设备及介质 |
| CN116975454A (zh) * | 2023-09-22 | 2023-10-31 | 北京荆跃科技有限公司 | 一种基于推荐系统的大模型生成方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030036902A1 (en) * | 2001-08-15 | 2003-02-20 | Gadde Venkata Ramana Rao | Method and apparatus for recognizing speech in a noisy environment |
| JP2003177781A (ja) * | 2001-12-12 | 2003-06-27 | Advanced Telecommunication Research Institute International | 音響モデル生成装置及び音声認識装置 |
| CN102968770A (zh) * | 2012-11-30 | 2013-03-13 | 华为技术有限公司 | 噪声消除方法及装置 |
| US20170084007A1 (en) * | 2014-05-15 | 2017-03-23 | Wrnch Inc. | Time-space methods and systems for the reduction of video noise |
| CN107123094A (zh) * | 2017-03-23 | 2017-09-01 | 四川精目科技有限公司 | 一种混合泊松、高斯和脉冲噪声的视频去噪方法 |
| US20190236763A1 (en) * | 2018-01-30 | 2019-08-01 | Canon Medical Systems Corporation | Apparatus and method for context-oriented blending of reconstructed images |
| CN110163827A (zh) * | 2019-05-28 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
| CN110473154A (zh) * | 2019-07-31 | 2019-11-19 | 西安理工大学 | 一种基于生成对抗网络的图像去噪方法 |
| US20200074234A1 (en) * | 2018-09-05 | 2020-03-05 | Vanderbilt University | Noise-robust neural networks and methods thereof |
| CN111047523A (zh) * | 2019-11-11 | 2020-04-21 | 苏州锐一仪器科技有限公司 | 一种处理pet图像的方法、装置以及计算机存储介质 |
-
2020
- 2020-06-05 CN CN202010508072.2A patent/CN111667428A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030036902A1 (en) * | 2001-08-15 | 2003-02-20 | Gadde Venkata Ramana Rao | Method and apparatus for recognizing speech in a noisy environment |
| JP2003177781A (ja) * | 2001-12-12 | 2003-06-27 | Advanced Telecommunication Research Institute International | 音響モデル生成装置及び音声認識装置 |
| CN102968770A (zh) * | 2012-11-30 | 2013-03-13 | 华为技术有限公司 | 噪声消除方法及装置 |
| US20170084007A1 (en) * | 2014-05-15 | 2017-03-23 | Wrnch Inc. | Time-space methods and systems for the reduction of video noise |
| CN107123094A (zh) * | 2017-03-23 | 2017-09-01 | 四川精目科技有限公司 | 一种混合泊松、高斯和脉冲噪声的视频去噪方法 |
| US20190236763A1 (en) * | 2018-01-30 | 2019-08-01 | Canon Medical Systems Corporation | Apparatus and method for context-oriented blending of reconstructed images |
| US20200074234A1 (en) * | 2018-09-05 | 2020-03-05 | Vanderbilt University | Noise-robust neural networks and methods thereof |
| CN110163827A (zh) * | 2019-05-28 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
| CN110473154A (zh) * | 2019-07-31 | 2019-11-19 | 西安理工大学 | 一种基于生成对抗网络的图像去噪方法 |
| CN111047523A (zh) * | 2019-11-11 | 2020-04-21 | 苏州锐一仪器科技有限公司 | 一种处理pet图像的方法、装置以及计算机存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| GANG ZHANG等: ""Learning synthetic aperture radar image despeckling without clean data"" * |
| JING GAO等: ""A Real Noise Elimination Method for CMOS Image Sensor Based on Three-Channel Convolution Neural Network"" * |
| 方先成: ""两种新型高斯—椒盐混合噪声去噪方法"" * |
| 谢鹏: ""基于卷积神经网络的图像去噪研究"" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115035911A (zh) * | 2022-05-31 | 2022-09-09 | 中国第一汽车股份有限公司 | 噪声生成模型训练方法、装置、设备及介质 |
| CN116975454A (zh) * | 2023-09-22 | 2023-10-31 | 北京荆跃科技有限公司 | 一种基于推荐系统的大模型生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539223B (zh) | 语言模型的训练方法、装置、电子设备及可读存储介质 | |
| CN111539514B (zh) | 用于生成神经网络的结构的方法和装置 | |
| KR102484617B1 (ko) | 이종 그래프 노드를 표현하는 모델 생성 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
| US11334467B2 (en) | Representing source code in vector space to detect errors | |
| CN111737995B (zh) | 基于多种词向量训练语言模型的方法、装置、设备及介质 | |
| CN111737994B (zh) | 基于语言模型获取词向量的方法、装置、设备及存储介质 | |
| CN111737996B (zh) | 基于语言模型获取词向量的方法、装置、设备及存储介质 | |
| JP7079311B2 (ja) | 機械読解モデルのトレーニング方法、装置、電子機器及び記憶媒体 | |
| CN111931520B (zh) | 自然语言处理模型的训练方法和装置 | |
| CN111079945B (zh) | 端到端模型的训练方法及装置 | |
| CN111667056A (zh) | 用于搜索模型结构的方法和装置 | |
| CN111539224B (zh) | 语义理解模型的剪枝方法、装置、电子设备和存储介质 | |
| CN110648294A (zh) | 图像修复方法、装置及电子设备 | |
| CN112560499B (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
| CN114492788A (zh) | 训练深度学习模型的方法和装置、电子设备及存储介质 | |
| CN111950293A (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
| CN111667428A (zh) | 基于自动搜索的噪声生成方法和装置 | |
| CN111582374A (zh) | 超参数搜索方法、装置、设备以及存储介质 | |
| CN110852379A (zh) | 训练样本生成方法、装置以及电子设备 | |
| CN111563593A (zh) | 神经网络模型的训练方法和装置 | |
| CN111539220A (zh) | 语义相似度模型的训练方法、装置、电子设备及存储介质 | |
| CN111738418A (zh) | 超网络的训练方法和装置 | |
| CN111611808A (zh) | 用于生成自然语言模型的方法和装置 | |
| JP7121791B2 (ja) | 言語生成方法、装置及び電子機器 | |
| CN112580723B (zh) | 多模型融合方法、装置、电子设备和存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240617 Address after: Building A, 3rd Floor -03, No. 459 Zhimin Avenue (now Xinzhou District Digital Economy Industrial Park), Xinzhou District, Shangrao City, Jiangxi Province, 333100 Applicant after: Shangrao Pure White Digital Technology Co.,Ltd. Country or region after: China Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. Country or region before: China |