CN113554087A - 一种基于生成式对抗网络的考古线图自动生成方法 - Google Patents
一种基于生成式对抗网络的考古线图自动生成方法 Download PDFInfo
- Publication number
- CN113554087A CN113554087A CN202110821115.7A CN202110821115A CN113554087A CN 113554087 A CN113554087 A CN 113554087A CN 202110821115 A CN202110821115 A CN 202110821115A CN 113554087 A CN113554087 A CN 113554087A
- Authority
- CN
- China
- Prior art keywords
- line graph
- data set
- generator
- network
- archaeological
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000002452 interceptive effect Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000000452 restraining effect Effects 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000002829 reductive effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019994 cava Nutrition 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
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)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于生成式对抗网络的考古线图自动生成的方法。该方法包括:根据已有的文物照片与标准线图之间的对应关系,构建训练数据集;利用所述训练数据集训练生成式对抗网络,该生成式对抗网络包括生成器和判断器,其中生成器用于根据文物照片生成预测的线图,判别器用于约束生成器输出的预测线图与标准线图之间的损失满足设定目标,进而获得优化的生成器。本发明首次将生成式对抗网络引入考古线图领域,减轻考古线图绘制的人力成本。并且,在使用过程中交互系统可扩充数据集,解决了考古线图数据集制作困难的问题。
Description
技术领域
本发明涉及图像处理技术领域,更具体地,涉及一种基于生成式对抗网络的考古线图自动生成方法。
背景技术
深度学习是机器学习中一个极为重要的分支,随着信息化进程的浪潮,计算机运算速度和数据量的不断增加,基于卷积神经网络(CNN)的深度学习技术得到了飞速发展。例如,在人脸识别、语言翻译等方面实现了商业领域上的成功应用。与传统的判别式深度学习网络框架相比,生成式深度学习网络框架能够更好的发掘数据的本质特征,但存在训练困难,需要先验知识等问题。
考古线图作为考古学研究中的重要手段,可以直观反映遗迹和遗物的空间位置和形态特征,较客观地记录和保存考古现场中蕴涵的信息,考古线图的应用范围贯穿在考古工作的整个过程中。然而,传统的边缘检测网络例如HED、CED、BDCN在监督数据线条轮廓复杂时对数据集要求很高,容易发生训练不收敛等问题。此外,对于考古线图数据集来说,制作成本高昂,制作周期长,通常需要进行手工绘制。这就导致数据集制作困难,样本数量短时间内难以增加等问题。
发明内容
本发明的目的是克服上述现有技术的缺陷,提供一种基于生成式对抗网络的考古线图自动生成方法。
根据本发明的第一方面,提供一种基于生成式对抗网络的考古线图自动生成的方法。该方法包括以下步骤:
根据已有的文物照片与标准线图之间的对应关系,构建训练数据集;
利用所述训练数据集训练生成式对抗网络,该生成式对抗网络包括生成器和判断器,其中生成器用于根据文物照片生成预测的线图,判别器用于约束生成器输出的预测线图与标准线图之间的损失满足设定目标,进而获得优化的生成器。
根据本发明的第二方面,提供一种考古线图自动生成交互系统。该系统包括,客户端和后端网络,该后端网络包含根据本发明上述方法获得的优化的生成器,其中:客户端用于获取待处理的文物图片并上传到后端网络;后端网络用于对接收的文物照片进行处理,进而输入到所述优化的生成器,获得对应的线图结果并将其反馈给客户端;客户端提供交互界面供用户对线图结果进行修正,并将修正线图上传至后端网络,用于扩充训练数据集。
与现有技术相比,本发明的优点在于,相比于传统边缘提取算子的方法和基于边缘的神经网络的算法,本发明利用自主构建的考古线图图片、线图数据集,并利用生成式对抗网络的结构特点,生成高质量的文物线图。此外,本发明利用交互系统可以对线图生成结果进行矫正,克服了现有方法生成线图质量差、参数需要手工调整、训练过程不稳定等困难。本发明将进行矫正的线图作为新的数据添加到数据集中,实现了系统的自由化,克服了考古线图数据集人力制作成本高、时间慢等问题。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的基于生成式对抗网络的考古线图自动生成方法的流程图;
图2是根据本发明一个实施例的基于生成式对抗网络的pix2pix网络结构示意图;
图3是根据本发明一个实施例的pix2pix网络生成模型示意图;
图4是根据本发明一个实施例的线图绘制效果与现有技术输出结果的对比图;
图5是根据本发明一个实施例的考古线图自动生成系统的示意图;
图6是根据本发明一个实施例的自动生成考古线图的应用过程示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
参见图1所示,所提供的基于生成式对抗网络的考古线图自动生成方法包括以下步骤。
步骤S110,构建训练数据集,其包含的样本数据反映文物照片与标准线图之间的对应关系。
具体地,根据考古需求,选取目标文物照片,并与标准线图一一对应,构建数据集。标准线图可由考古专家绘制或计算机辅助绘制。文物种类包括但限于器物或遗址等。
例如,使用龙门石窟古阳洞第45窟、46窟、48窟的图片和绘制的标准线图制作数据集,进行剪裁和缩放到400x400像素后,剔除质量不好的图片数据集中共有400对照片-线图。
优选地,为了提高后续网络模型的训练精度,可通过数据增强技术,例如翻转、旋转、缩放、位移数据集获得增强的数据集,构成训练数据集。
应理解的是,得到的数据集可划分为训练数据集、验证集和测试集,以使用数据集对生成式对抗网络进行训练和验证,优化网络参数。
步骤S120,构建生成式对抗网络。
在本发明中,针对考古线图数据集要求高,容易发生训练不收敛等问题,选用生成式对抗网络搭建pix2pix网络模型,网络模型的初始化参数可随机设置。
参见图2所示,生成式对抗网络包括生成器G(或称生成模型)和判别器D(或称判别模型)。生成器以文物照片作为输入,生成对应的线图。判别器在训练过程中约束生成器,目标是使生成器生成的线图质量越来越高,尽量逼近标准线图,直到可以骗过判别器,例如,以生成器输出的线图和标准线图之间的损失最小为优化目标。
在生成式对抗网络中,生成器和判别器可采用神经网络实现,或者只需要能拟合相应的生成和判别函数即可。
例如,可选地,生成器采用U-NET网络结构,参见图3所示。Unet网络包含U型对称结构和跳跃连接(skip-connection)。这种结构避免了直接在高级语义特征上进行监督和损失计算,从而保证了提取的特征图融合了更多的低层次特征,并使得多层次特征得到融合。选用Unet网络生成考古线图,能够保留边缘信息。这种基于生成式对抗网络的pix2pix模型将线图生成任务当作是一个像素到像素的翻译任务,有效解决了之前网络对数据集要求高和不易收敛的问题。
步骤S130,利用训练数据集训练生成式对抗网络。
在此步骤中,在自主构建的训练数据集上训练pix2pix网络模型,得到优化的网络参数值,如权重、偏置等。
在一个实施例中,首先搭建神经网络模型训练和测试平台,例如CPU型号:Intel(R)Core(TM)i7-9900K;GPU型号:NVIDIA GeForce GTX 2080Ti;操作系统:Windows1020H2;深度学习框架:Pytorch。应用NVIDIA公司提供的CUDA运算平台和cuDNN深度神经网络GPU加速库,搭建基于GPU加速的pix2pix网络模型。
在实际训练中,基于步骤S110自主构建的考古线图数据集,对pix2pix网络模型进行训练。例如,网络训练超参数设置如下:训练次数为2000次,输入图片尺寸为400x400像素,批处理数为3,梯度优化算法为Adam算法,初始学习率为0.0002,在100次训练后学习率线性衰减,直至为零。在完成2000次训练后,共迭代145000次,保存优化完成的网络参数。
步骤S140,利用测试集检测生成器生成线图的质量。
为检测模型训练的精确度,在测试集上对pix2pix网络模型生成线图的效果进行测试。
具体地,将步骤S130得到的网络参数导入pix2pix模型中,应用考古线图数据集进行测试,测试参数如下:输入图片尺寸为400x400像素,批处理数为10。最终得到线图生成结果,并与传统边缘提取算子和基于边缘的神经网络方法得到的线图进行比较。参见图4所示,其中图4(a)是现有Canny算子和Sobel算子提取结果,图4(b)是现有的HED和BDCN输出结果,图4(c)是本发明生成线图和标准线图的对比。可以看出,利用本发明生成的线图更贴合标准线图,能够清晰的反映轮廓边界等。
步骤S150,对于待绘制线图,利用交互系统生成线图。
经训练的生成器可用于实时生成拍摄图片对应的线图。为了便于实际应用,优选地,本发明设计交互系统对待绘制线图对象拍摄,生成线图。
参见图5所示,使用交互系统,将训练数据集之外的拍摄图片由移动端或称客户端上传至网络并生成线图。其中移动端包括但不限于智能手机、IPAD、可穿戴设备等。
通过设计交互系统,使用网络对照片进行线图生成,在此基础上进行修改矫正等再作为数据集,可以加快数据集的扩充,更好解决数据制作难、成本高等问题。
步骤S160,对生成线图的效果进行矫正,以用于扩充训练数据集。
在此步骤S160,对步骤S150生成的线图使用交互系统进行矫正和修改,并将照片和线图对上传至数据库,添加到数据集中,重复上述步骤以达到一边生成线图一边扩充数据集的效果,具体过程参见图6所示。
综上所述,本发明将生成式对抗网络的pix2pix网络结构引入考古领域,可实现考古线图的自动生成,并在此基础上设计了一个跨平台的专家交互系统,实现线图的矫正和编辑,在移动端对拟生成线图的实物进行拍摄并上传到后端网络,生成结果反馈到移动端,并交由考古专家进行评估与矫正;矫正后的照片-线图对作为新的数据集反馈给网络模型,再次对模型进行优化。通过这种设计实现了以下技术效果:首次将生成式对抗网络引入考古线图领域,减轻考古线图绘制的人力成本;同时在使用过程中交互系统可扩充数据集,实现系统的自由化,克服了考古线图数据集人力制作成本高、时间慢等问题。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (8)
1.一种基于生成式对抗网络的考古线图自动生成的方法,包括以下步骤:
根据已有的文物照片与标准线图之间的对应关系,构建训练数据集;
利用所述训练数据集训练生成式对抗网络,该生成式对抗网络包括生成器和判断器,其中生成器用于根据文物照片生成预测的线图,判别器用于约束生成器输出的预测线图与标准线图之间的损失满足设定目标,进而获得优化的生成器。
2.根据权利要求1所述的方法,其特征在于,根据以下步骤构建所述训练数据集:
获取文物照片和对应的标准线图的数据集;
将文物照片进行裁剪和缩放,以达到目标尺寸;
通过翻转、旋转、缩放、位移数据集获得增强的数据集,构成所述训练数据集。
3.根据权利要求1所述的方法,其特征在于,还包括:
将所述优化的生成器的优化参数值保存在文件中;
利用测试集验证所述优化的生成器输出线图的效果,其中测试过程中加载所保存的文件。
4.根据权利要求1所述的方法,其特征在于,所述生成器采用U-NET网络结构,包含U型对称结构和跳跃连接。
5.根据权利要求1所述的方法,其特征在于,在训练生成式对抗网络时,随机初始化相关的网络参数。
6.一种考古线图自动生成交互系统,包括,客户端和后端网络,该后端网络包含根据权利要求1至5任一项所述方法获得的优化的生成器,其中:
客户端用于获取待处理的文物图片并上传到后端网络;
后端网络用于对接收的文物照片进行处理,进而输入到所述优化的生成器,获得对应的线图结果并将其反馈给客户端;
客户端提供交互界面供用户对线图结果进行修正,并将修正线图上传至后端网络,用于扩充训练数据集。
7.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现根据权利要求1至5中任一项所述方法的步骤。
8.一种计算机设备,包括存储器和处理器,在所述存储器上存储有能够在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110821115.7A CN113554087B (zh) | 2021-07-20 | 2021-07-20 | 一种基于生成式对抗网络的考古线图自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110821115.7A CN113554087B (zh) | 2021-07-20 | 2021-07-20 | 一种基于生成式对抗网络的考古线图自动生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113554087A true CN113554087A (zh) | 2021-10-26 |
CN113554087B CN113554087B (zh) | 2023-11-10 |
Family
ID=78103590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110821115.7A Active CN113554087B (zh) | 2021-07-20 | 2021-07-20 | 一种基于生成式对抗网络的考古线图自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554087B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409914A (zh) * | 2022-11-02 | 2022-11-29 | 天津恒达文博科技股份有限公司 | 文物线描图的生成方法、装置、存储介质及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9226557D0 (en) * | 1992-12-21 | 1993-02-17 | Cotterell Maurice M | Archaelogical carving/artifact information decoding process |
US20120323992A1 (en) * | 2011-06-20 | 2012-12-20 | International Business Machines Corporation | Geospatial visualization performance improvement for contiguous polylines with similar dynamic characteristics |
CN107978004A (zh) * | 2017-11-14 | 2018-05-01 | 天津科技大学 | 基于启发式路由的凿井壁画考古绘图快速生成算法 |
US10504268B1 (en) * | 2017-04-18 | 2019-12-10 | Educational Testing Service | Systems and methods for generating facial expressions in a user interface |
CN111222519A (zh) * | 2020-01-16 | 2020-06-02 | 西北大学 | 一种层次化彩绘文物线稿提取模型构建、方法及装置 |
CN111612888A (zh) * | 2020-05-15 | 2020-09-01 | 北京工业大学 | 一种文物建筑图形的自动生成方法、系统及存储介质 |
CN111626926A (zh) * | 2020-04-06 | 2020-09-04 | 温州大学 | 一种基于gan的纹理图像智能合成方法 |
CN112529159A (zh) * | 2020-12-09 | 2021-03-19 | 北京百度网讯科技有限公司 | 网络训练方法、装置及电子设备 |
CN112560579A (zh) * | 2020-11-20 | 2021-03-26 | 中国科学院深圳先进技术研究院 | 一种基于人工智能的障碍物检测方法 |
CN112560925A (zh) * | 2020-12-10 | 2021-03-26 | 中国科学院深圳先进技术研究院 | 一种复杂场景目标检测数据集构建方法及系统 |
-
2021
- 2021-07-20 CN CN202110821115.7A patent/CN113554087B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9226557D0 (en) * | 1992-12-21 | 1993-02-17 | Cotterell Maurice M | Archaelogical carving/artifact information decoding process |
US20120323992A1 (en) * | 2011-06-20 | 2012-12-20 | International Business Machines Corporation | Geospatial visualization performance improvement for contiguous polylines with similar dynamic characteristics |
US10504268B1 (en) * | 2017-04-18 | 2019-12-10 | Educational Testing Service | Systems and methods for generating facial expressions in a user interface |
CN107978004A (zh) * | 2017-11-14 | 2018-05-01 | 天津科技大学 | 基于启发式路由的凿井壁画考古绘图快速生成算法 |
CN111222519A (zh) * | 2020-01-16 | 2020-06-02 | 西北大学 | 一种层次化彩绘文物线稿提取模型构建、方法及装置 |
CN111626926A (zh) * | 2020-04-06 | 2020-09-04 | 温州大学 | 一种基于gan的纹理图像智能合成方法 |
CN111612888A (zh) * | 2020-05-15 | 2020-09-01 | 北京工业大学 | 一种文物建筑图形的自动生成方法、系统及存储介质 |
CN112560579A (zh) * | 2020-11-20 | 2021-03-26 | 中国科学院深圳先进技术研究院 | 一种基于人工智能的障碍物检测方法 |
CN112529159A (zh) * | 2020-12-09 | 2021-03-19 | 北京百度网讯科技有限公司 | 网络训练方法、装置及电子设备 |
CN112560925A (zh) * | 2020-12-10 | 2021-03-26 | 中国科学院深圳先进技术研究院 | 一种复杂场景目标检测数据集构建方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409914A (zh) * | 2022-11-02 | 2022-11-29 | 天津恒达文博科技股份有限公司 | 文物线描图的生成方法、装置、存储介质及电子设备 |
CN115409914B (zh) * | 2022-11-02 | 2023-01-06 | 天津恒达文博科技股份有限公司 | 文物线描图的生成方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113554087B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10901740B2 (en) | Synthetic depth image generation from cad data using generative adversarial neural networks for enhancement | |
CN109214343B (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
US11978245B2 (en) | Method and apparatus for generating image | |
CN109344908B (zh) | 用于生成模型的方法和装置 | |
CN108830235B (zh) | 用于生成信息的方法和装置 | |
CN109816589B (zh) | 用于生成漫画风格转换模型的方法和装置 | |
CN107633218B (zh) | 用于生成图像的方法和装置 | |
CN108229504B (zh) | 图像解析方法及装置 | |
CN109492128B (zh) | 用于生成模型的方法和装置 | |
CN109376267B (zh) | 用于生成模型的方法和装置 | |
CN109447156B (zh) | 用于生成模型的方法和装置 | |
CN109101919B (zh) | 用于生成信息的方法和装置 | |
Zhou et al. | Adversarial Single‐Image SVBRDF Estimation with Hybrid Training | |
CN107609506B (zh) | 用于生成图像的方法和装置 | |
US20170263052A1 (en) | Method for generating an ordered point cloud using mobile scanning data | |
CN111105375B (zh) | 图像生成方法及其模型训练方法、装置及电子设备 | |
CN109145783B (zh) | 用于生成信息的方法和装置 | |
US10902264B2 (en) | Automatic generation of secondary class annotations | |
JP2023531350A (ja) | サンプル画像を増分する方法、画像検出モデルの訓練方法及び画像検出方法 | |
KR20200018411A (ko) | 전극편의 버를 검출하기 위한 방법 및 장치 | |
CN113902956B (zh) | 融合模型的训练方法、图像融合方法、装置、设备及介质 | |
CN108399401B (zh) | 用于检测人脸图像的方法和装置 | |
CN113554087B (zh) | 一种基于生成式对抗网络的考古线图自动生成方法 | |
CN111292333B (zh) | 用于分割图像的方法和装置 | |
CN111260756B (zh) | 用于发送信息的方法和装置 |
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 |