CN112861217A - 基于对抗生成网络的园林设计中图像处理方法、系统 - Google Patents
基于对抗生成网络的园林设计中图像处理方法、系统 Download PDFInfo
- Publication number
- CN112861217A CN112861217A CN202110046863.2A CN202110046863A CN112861217A CN 112861217 A CN112861217 A CN 112861217A CN 202110046863 A CN202110046863 A CN 202110046863A CN 112861217 A CN112861217 A CN 112861217A
- Authority
- CN
- China
- Prior art keywords
- design
- picture
- data set
- garden
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明属园林设计中图像处理技术领域,公开了一种基于对抗生成网络的园林设计中图像处理方法、系统,获取用于训练的数据集,所述数据集中的单个样本均为成对的图片对,分别是设计前的场地环境条件图和设计后的园林设计平面布局概念图,然后根据GAN的迭代训练方法以及结合图片翻译生成方法对所述数据集进行训练,生成园林设计平面布局概念图。GAN包括生成器用于进行生成任务,根据任务的不同有一个输入,然后输出对应的像素图像。判别器用来判别图片是真的还是假的,输入为图片,输出为判别图片的标签。本发明利用智能生成设计技术可以改变传统的设计模式,达到降低设计门槛、提高设计效率、优化设计质量以及拓展设计师思路,激发其设计灵感的效果。
Description
技术领域
本发明属于园林设计中图像处理技术领域,公开了一种基于对抗生成网络的园林设计中图像处理方法、系统及终端。
背景技术
目前,风景园林设计是园林建设过程中的核心环节,也是决定实施效果的基础性决策环节,因此设计师在园林建设过程中的作用不言而喻。传统的设计过程是设计师基于使用者对场地需求提出问题,设定目标,生成解决方案并评估方案的过程。在这一过程中设计师需要全程参与,并利用自己知识与经验形成设计成果用以满足建造者和使用者的需求。而在当今时代,由于环境的变化、技术的发展、观念的进步,影响风景园林设计的因素越来越复杂、多样,传统的设计方式和设计途径虽然暂且还可以完成相应的设计工作,但对设计师的个人能力、对设计机构的综合实力乃至对业主的理解力都提出了很高的要求。同时风景园林设计的重用性很低,属于“非标定制”产品,这就使得每次园林设计过程,设计师需要花费较多的时间与精力在非独创性、规范性、基础性工作当中。利用智能生成设计技术可以改变传统的设计模式,达到降低设计门槛、提高设计效率、优化设计质量以及拓展设计师思路,激发其设计灵感的效果。
通过上述分析,现有技术存在的问题及缺陷为:
(1)由于环境的变化、技术的发展、观念的进步,影响风景园林设计的因素越来越复杂。
(2)风景园林设计的重用性很低,属于“非标定制”产品,这就使得每次园林设计过程,设计师需要花费较多的时间与精力在非独创性、规范性、基础性工作当中。
解决以上问题及缺陷的难度为:
传统的设计方式和设计途径虽然暂且还可以完成相应的设计工作,但对设计师的个人能力、对设计机构的综合实力乃至对业主的理解力都提出了很高的要求。同时风景园林设计的重用性很低,属于“非标定制”产品,这就使得每次园林设计过程,设计师需要花费较多的时间与精力在非独创性、规范性、基础性工作当中。
解决以上问题及缺陷的意义为:
降低设计门槛:要创作出一个好的设计作品,需要风景园林师有较广的专业知识基础、实践操作技能,以及丰富的设计经验。将风景园林的规范约束、场地条件、设计原理等设计先决要求全都进行数据化处理,再由系统根据算法进行调用,这就使得一般的设计师也拥有随时调动大师的设计能力,做出的每一个设计,都能禁受住专业的验证。
提高设计效率:采用传统设计方法完成一幅设计图可能需要成百上千的命令步骤,设计师需要耗费数小时甚至数天时间,而基础条件的改变和业主要求的增加,都会导致设计图的调整,这将给设计师带来沉重的工作量和精神压力。采用智能生成技术完成这些工作可能只需要几分钟甚至几秒钟,极大提高设计效率。
优化设计质量:机器既可以做到更快的计算速度又能做到更准确的分析与计算,基于既定规则的运算,机器比普通人有更低的出错率。设计师需要综合设计规范、项目需求去理解和应对不同的条件、未知的情况以及复杂的文脉等,难免会考虑不周。采用人工智能对各种数据的收集、整理、分析和运算,则可以生成更加客观、科学的成果。
拓展设计师思路:当机器能够帮人承担更多重复性和基础性的工作时,设计师将更充分发挥大脑的创造性功能,也就无限激发了人脑的创造力。同时智能生成技术还可提供设计备选方案,消除人类想象和经验的限制,充分发挥设计师潜能。
发明内容
针对现有技术存在的问题,本发明提供了一种基于对抗生成网络的园林设计中图像处理方法、系统及终端。
本发明是这样实现的,一种基于对抗生成网络的园林设计中图像处理方法,应用于信息数据处理终端,所述基于对抗生成网络的园林设计中图像处理方法包括:
获取用于训练的数据集,所述数据集中的单个样本均为成对的图片对,分别是设计前的场地环境条件图和设计后的园林设计平面布局概念图,然后根据 GAN的迭代训练方法以及结合图片翻译生成方法对所述数据集进行训练,生成设计园林设计平面布局概念图。
数据信息处理过程第一步:数据的收集主要来自两部分,分别是实际建成项目图纸和卫星图;
数据信息处理过程第二步:根据园林设计经验规则和相关设计规范对收集到的数据集进行筛选;
数据信息处理过程第三步:对筛选过后的数据集进行标记,根据GAN的特性合理设置比较好训练的输入输出(较为简单便于学习但又很有指导意义的功能分区色块图);
数据信息处理过程第四步:将收集到的数据集样本制作成输入输出样本对,压缩合并输入pix2pix进行学习。
进一步,所述GAN的迭代训练方法包括:
初始化判别器D的参数θd和生成器G的参数θg;
从真实样本中采样m个样本{x1,x1,...xm},从先验分布噪声中{z1,z1,...zm} 并通过生成器获得m个生成样本{x1,x1,...xm};固定生成器G,训练判别器D 判别真实样本和生成样本,区分正确样本和生成的样本;
循环k次更新判别器后,使用较小的学习率更新生成器的参数;
多次更新迭代后,使判别器无法判别样本是来自生成器的输出还是真实输出。
对生成样本判别概率为0.5。
所述图片翻译生成方法包括:
输入原始图片x编码再解码成真实图片,判别器D在原始图片x的条件下,对于生成的图片G(x)判断为假,对于真实判断为真。
生成器G采用的Unet结构。
本发明的另一目的在于提供一种基于对抗生成网络的园林设计中图像处理系统,应用于信息数据处理终端,所述基于对抗生成网络的园林设计中图像处理系统包括:
数据集获取模块,用于获取用于训练的数据集,所述数据集中的单个样本均为成对的图片对,分别是设计前的场地环境条件图和设计后园林设计平面布局概念图;
设计图生成模块,用于然后根据GAN的迭代训练方法以及结合图片翻译生成方法对所述数据集进行训练,生成园林设计平面布局概念图;
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端实施所述的基于对抗生成网络的园林设计中图像处理方法。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取用于训练的数据集,所述数据集中的单个样本均为成对的图片对,分别是设计前的场地环境条件图和设计后的园林设计平面布局概念图;
用于然后根据GAN的迭代训练方法以及结合图片翻译生成方法对所述数据集进行训练,生成园林设计平面布局概念图。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述的基于对抗生成网络的园林设计中图像处理方法。
本发明的另一目的在于提供一种对抗生成网络,GAN的主要结构包括一个生成器G(Generator)和一个判别器D(Descriminator)。生成器用于进行生成任务,根据任务的不同有一个输入,然后输出对应的像素图像。判别器用来判别图片是真的还是假的(或者说是来自数据集中的还是生成器中生成的),输入为图片,输出为判别图片的标签。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:利用智能生成设计技术可以改变传统的设计模式,达到降低设计门槛、提高设计效率、优化设计质量以及拓展设计师思路,激发其设计灵感的效果。
在图像识别和视觉计算、语音和语言处理、信息安全、棋类比赛等领域、 GAN正在被广泛研究,具有极大的应用前景。国际上已有学者尝试将机器学习技术与建筑领域结合,进行户型平面生成,色块还原街景,室内家具识别等一系列研究。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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是本发明实施例提供的pix2pixGAN网格结构在园林设计上的应用示意图;
图2是本发明实施例提供的GAN的基本结构示意图
图3是本发明实施例提供的研究目标的示意图;
图4是本发明实施例提供的样本标记规则的示意图;
图5是本发明实施例提供的pix2pixGAN的示意图;
图6是本发明实施例提供的传统GAN的示意图。
图7是本发明实施例提供的数据集样本(作者自绘)
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于对抗生成网络的园林设计中图像处理方法,下面结合附图对本发明作详细的描述。
本发明提供的基于对抗生成网络的园林设计中图像处理方法,基于园林设计本质上是基于一定显式或潜在规则的图片变化,pix2pix与园林设计是天然契合的。首先制作出用于训练的数据集,数据集中的单个样本都是成对的图片对,分别是设计前的场地环境条件图和设计后的园林设计平面布局概念图,然后根据GAN的迭代训练方式,从数据集中学到设计模式,训练完成后的模型可以对从没见过的场地环境条件图快速的得到园林设计平面布局概念图;
如图1所示,本发明GAN的基本结构如下附图,基本训练流程如下:
初始化判别器D的参数θd和生成器G的参数θg
从真实样本中采样m个样本{x1,x1,...xm},从先验分布噪声中{z1,z1,...zm} 并通过生成器获得m个生成样本{x1,x1,...xm}。固定生成器G,训练判别器D 尽可能好地准确判别真实样本和生成样本,尽可能大地区分正确样本和生成的样本。
循环k次更新判别器之后,使用较小的学习率来更新一次生成器的参数,训练生成器尽可能能够减小生成样本和真实样本之间的差距,也相当于尽量使得判别器判别错误。
多次更新迭代之后,最终理想情况是使得判别器无法判别样本是来自生成器的输出还是真实输出。即对生成样本判别概率为0.5。
本发明为一种对抗生成网络,利用智能生成设计技术可以改变传统的设计模式,达到降低设计门槛、提高设计效率、优化设计质量以及拓展设计师思路,激发其设计灵感的效果。
如图2所示,现在要实现的是输入一个基本的场地环境条件图,然后输出一个对应的合理园林设计平面布局概念图,该任务可以形式化为输入一张图片,输出一张图片这样一个端到端的生成任务,基于此点选择了pix2pix图片翻译生成方法作为该任务的主力模型。
如图2所示,pix2pix的结构图片翻译生成方法中,pix2pix是一个高效的图片翻译生成模型,可以进行从一种风格的图片到另一种风格图片的翻译。pix2pix 的生成器G是采用的Unet的结构,输入原始图片x编码再解码成真实图片,判别器D用的是论文中提出的PatchGAN,判别器D的作用是在原始图片x 的条件下,对于生成的图片G(x)判断为假,对于真实判断为真。
本发明生成设计方法研发过程如下:首先对既有园林方案平面布局形式以及园林设计相关理论进行梳理与解析,为研究方法的提出提供技术支撑。其次根据园林设计经验规则以及相关设计规范对从各种渠道获取用于训练的数据集进行筛选,并根据GAN的特性,合理的设置比较好训练的输入输出。然后将收集到的样本制作成输入输出样本对,压缩合并输入pix2pix进行学习,得到生成器模型后输入测试样本进行测试,通过对比真实图像与测试结果,调整相关参数来得到更好的学习成果,最终得到一个相对理想的生成模型。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于对抗生成网络的园林设计中图像处理方法,其特征在于,应用于信息数据处理终端,所述基于对抗生成网络的园林设计中图像处理方法包括:
获取用于训练的数据集,所述数据集中的单个样本均为成对的图片对,分别是设计前的场地环境条件图和设计后的园林设计平面布局概念图,然后根据GAN的迭代训练方法以及结合图片翻译生成方法对所述数据集进行训练,生成园林设计平面布局概念图。
2.如权利要求1所述的基于对抗生成网络的园林设计中图像处理方法,其特征在于,所述GAN的迭代训练方法包括:
初始化判别器D的参数θd和生成器G的参数θg;
从真实样本中采样m个样本{x1,x1,...xm},从先验分布噪声中{z1,z1,...zm}并通过生成器获得m个生成样本{x1,x1,...xm};固定生成器G,训练判别器D判别真实样本和生成样本,区分正确样本和生成的样本;
循环k次更新判别器后,使用较小的学习率更新生成器的参数;
多次更新迭代后,使判别器无法判别样本是来自生成器的输出还是真实输出。
3.如权利要求2所述的基于对抗生成网络的园林设计中图像处理方法,其特征在于,对生成样本判别概率为0.5。
4.如权利要求1所述的基于对抗生成网络的园林设计中图像处理方法,其特征在于,所述图片翻译生成方法包括:
输入原始图片x编码再解码成真实图片,判别器D在原始图片x的条件下,对于生成的图片G(x)判断为假,对于真实判断为真。
5.如权利要求1所述的基于对抗生成网络的园林设计中图像处理方法,其特征在于,生成器G采用的Unet结构。
6.一种基于对抗生成网络的园林设计中图像处理系统,其特征在于,应用于信息数据处理终端,所述基于对抗生成网络的园林设计中图像处理系统包括:
数据集获取模块,用于获取用于训练的数据集,所述数据集中的单个样本均为成对的图片对,分别是设计前的场地环境条件图和设计后的园林设计平面布局概念图;
设计图生成模块,用于然后根据GAN的迭代训练方法以及结合图片翻译生成方法对所述数据集进行训练,生成园林设计平面布局概念图。
7.一种信息数据处理终端,其特征在于,所述信息数据处理终端实施权利要求1~5任意一项所述的基于对抗生成网络的园林设计中图像处理方法。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取用于训练的数据集,所述数据集中的单个样本均为成对的图片对,分别是设计前的场地环境条件图和设计后的园林设计平面布局概念图;
用于然后根据GAN的迭代训练方法以及结合图片翻译生成方法对所述数据集进行训练,生成园林设计平面布局概念图。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~5任意一项所述的基于对抗生成网络的园林设计中图像处理方法。
10.一种对抗生成网络,其特征在于,包括一个生成器G和一个判别器D;生成器用于进行生成任务,根据任务的不同有一个输入,然后输出对应的像素图像。判别器用来判别图片是真的还是假的,输入为图片,输出为判别图片的标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110046863.2A CN112861217A (zh) | 2021-01-14 | 2021-01-14 | 基于对抗生成网络的园林设计中图像处理方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110046863.2A CN112861217A (zh) | 2021-01-14 | 2021-01-14 | 基于对抗生成网络的园林设计中图像处理方法、系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112861217A true CN112861217A (zh) | 2021-05-28 |
Family
ID=76003738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110046863.2A Pending CN112861217A (zh) | 2021-01-14 | 2021-01-14 | 基于对抗生成网络的园林设计中图像处理方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861217A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689522A (zh) * | 2021-08-25 | 2021-11-23 | 重庆交通大学 | 一种基于图像识别的园林概念图生成方法及系统 |
CN114218640A (zh) * | 2021-12-15 | 2022-03-22 | 东南大学 | 一种基于人工智能的假山体量设计方法 |
CN115238347A (zh) * | 2022-07-13 | 2022-10-25 | 重庆交通大学 | 基于BicycleGAN的口袋公园概念方案生成设计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932534A (zh) * | 2018-07-15 | 2018-12-04 | 瞿文政 | 一种基于深度卷积生成对抗网络的图片生成方法 |
US20190147582A1 (en) * | 2017-11-15 | 2019-05-16 | Toyota Research Institute, Inc. | Adversarial learning of photorealistic post-processing of simulation with privileged information |
CN111091493A (zh) * | 2019-12-24 | 2020-05-01 | 北京达佳互联信息技术有限公司 | 图像翻译模型训练方法、图像翻译方法及装置和电子设备 |
-
2021
- 2021-01-14 CN CN202110046863.2A patent/CN112861217A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190147582A1 (en) * | 2017-11-15 | 2019-05-16 | Toyota Research Institute, Inc. | Adversarial learning of photorealistic post-processing of simulation with privileged information |
CN108932534A (zh) * | 2018-07-15 | 2018-12-04 | 瞿文政 | 一种基于深度卷积生成对抗网络的图片生成方法 |
CN111091493A (zh) * | 2019-12-24 | 2020-05-01 | 北京达佳互联信息技术有限公司 | 图像翻译模型训练方法、图像翻译方法及装置和电子设备 |
Non-Patent Citations (2)
Title |
---|
包瑞清: "基于机器学习的风景园林智能化分析应用研究", 《风景园林》 * |
张彬等: "《图像复原优化算法》", 31 August 2019 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689522A (zh) * | 2021-08-25 | 2021-11-23 | 重庆交通大学 | 一种基于图像识别的园林概念图生成方法及系统 |
CN114218640A (zh) * | 2021-12-15 | 2022-03-22 | 东南大学 | 一种基于人工智能的假山体量设计方法 |
CN114218640B (zh) * | 2021-12-15 | 2023-10-31 | 东南大学 | 一种基于人工智能的假山体量设计方法 |
CN115238347A (zh) * | 2022-07-13 | 2022-10-25 | 重庆交通大学 | 基于BicycleGAN的口袋公园概念方案生成设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861217A (zh) | 基于对抗生成网络的园林设计中图像处理方法、系统 | |
CN109684912A (zh) | 一种基于信息损失函数的视频描述方法和系统 | |
CN111282267A (zh) | 信息处理方法、装置、介质及电子设备 | |
CN102184221A (zh) | 一种基于用户偏好的实时视频摘要生成方法 | |
CN113423005B (zh) | 一种基于改进神经网络的智能音乐生成方法及系统 | |
CN107507620A (zh) | 一种语音播报声音设置方法、装置、移动终端及存储介质 | |
CN110377752A (zh) | 一种应用于政务大厅运营的知识库系统 | |
CN110442700A (zh) | 用于人机交互的人机多轮对话方法及系统、智能设备 | |
CN109086664A (zh) | 一种动静态融合的多态手势识别方法 | |
CN109978074A (zh) | 基于深度多任务学习的图像美感和情感联合分类方法及系统 | |
CN110245253A (zh) | 一种基于环境信息的语义交互方法及系统 | |
CN115659807A (zh) | 一种基于贝叶斯优化模型融合算法对人才表现预测的方法 | |
CN111282272B (zh) | 信息处理方法、计算机可读介质及电子设备 | |
CN110889335B (zh) | 基于多通道时空融合网络人体骨架双人交互行为识别方法 | |
CN110930471B (zh) | 一种基于人机交互式对抗网络的图像生成方法 | |
CN110415261B (zh) | 一种分区域训练的表情动画转换方法及系统 | |
CN117152308B (zh) | 一种虚拟人动作表情优化方法与系统 | |
CN108280516A (zh) | 一种多组卷积神经网络之间互博智能进化的优化方法 | |
CN117056546A (zh) | 一种基于图像模拟的在线教育方法、系统及存储介质 | |
CN112116072A (zh) | 一种量化神经网络中多个输入变量之间相互作用的方法 | |
KR102117908B1 (ko) | 기계학습 모델링을 위한 신규 학습 콘텐츠 분석 방법, 장치 및 컴퓨터 프로그램 | |
US11734389B2 (en) | Method for generating human-computer interactive abstract image | |
CN115719497A (zh) | 一种学生专注度识别方法及系统 | |
Wang et al. | Construction and analysis of discrete system dynamic modeling of physical education teaching mode based on decision tree algorithm | |
CN112884128A (zh) | 一种基于场景的半监督式轻量级专家系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |
|
RJ01 | Rejection of invention patent application after publication |