CN117351302A - 一种图像生成模型的训练方法、装置、设备及存储介质 - Google Patents
一种图像生成模型的训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117351302A CN117351302A CN202311284960.0A CN202311284960A CN117351302A CN 117351302 A CN117351302 A CN 117351302A CN 202311284960 A CN202311284960 A CN 202311284960A CN 117351302 A CN117351302 A CN 117351302A
- Authority
- CN
- China
- Prior art keywords
- training
- training sample
- tag
- information
- evaluation
- 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 25
- 238000011156 evaluation Methods 0.000 claims abstract description 78
- 238000004590 computer program Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及模型训练的技术领域，公开了一种图像生成模型的训练方法、装置、设备及存储介质；在本发明中，通过计算机程序自主根据训练生成的图片生成提问信息，并在多个网络平台上发送，通过采集网络用户对其的评价来获得该图片的评估结果，根据评估结果选择性地将图片补充进训练样本中，以提升图像生成模型的图像生成能力，本发明将自行评估的工作转移给了其他网络用户，节省了对图片的评估工作，解决现有技术中自行对图像生成模型进行细分领域的训练时，需要使用大量人力，导致训练成本较高的问题。
Description
技术领域
本发明涉及模型训练技术领域，尤其是一种图像生成模型的训练方法、装置、设备及存储介质。
背景技术
图像生成模型属于人工智能技术领域，可以根据用户给出的关键词生成对应的图像，目前，市面上公开有若干种图像生成模型，这些图像生成模型均采用了大量的图片进行训练，具有较为广泛的绘制图像的功能，然而，在一些较为细分的领域中，这些公开的图像生成模型绘制功能不佳，因此需要自行对图像生成模型进行训练，令其具备对于的绘制能力。
目前，为了获得目标细分领域的绘图功能，需要预先收集大量的对应的图像作为原始训练样本，以对图像生成领域进行训练，而在得出初次的训练图片后，需要对其进行分析，随后挑选合适的图片补充进入训练样本中，以再次进行训练，通过不断重复该种方式，来使得图像生成模型的绘制功能越加优秀。
然而，在上述的步骤中，需要使用到大量的人力，造成图像生成模型训练成本的上升。
发明内容
本发明的目的在于提供一种图像生成模型的训练方法、装置、设备及存储介质，旨在解决现有技术中自行对图像生成模型进行细分领域的训练时，需要使用大量人力，导致训练成本较高的问题。
本发明是这样实现的，第一方面，本发明提供一种图像生成模型的训练方法，包括：
获取原始训练样本；所述原始训练样本包括各种类型的图片；
提取所述原始训练样本的图像特征，并根据所述图像特征为所述原始训练样本赋予类型标签；
根据所述类型标签对所述原始训练样本进行组合，获取训练样本集合；
根据训练样本集合进行初次图像生成训练，以获取初次训练图片；
根据所述初次训练图片生成提问信息，并通过多个网络平台发布所述提问信息；
采集所述提问信息的反馈信息，并对所述反馈信息进行分析，以获取所述提问信息的评价标签；
对所述评价标签和所述类型标签进行关联性检索，根据所述检索的结果对所述训练样本集合进行优化；
重复进行上述的图像生成训练、生成提问信息并发布、采集反馈信息并分析、优化所述训练样本集合的步骤。
优选地，提取所述原始训练样本的图像特征，并根据所述图像特征为所述原始训练样本赋予类型标签包括：
预先建立标签数据库；所述标签数据库用于储存所述类型标签及所述类型标签对应的图像特征；
提取所述原始训练样本的图像特征；
根据提取的所述图像特征与所述标签数据库中的所述图像特征进行比对，为所述原始训练样本赋予若干所述类型标签；
根据所述原始训练样本的所述图像特征之间的比例将所述若干类型标签划分为主要标签和附加标签。
优选地，根据所述类型标签对所述原始训练样本进行组合，获取训练样本集合包括：
确定待生成的训练样本集合对应的所述类型标签；
对所述原始训练样本的所述主要标签进行检测，若所述主要标签与所述类型标签一致，则将所述原始训练样本提取进入所述训练样本集合。
优选地，根据所述初次训练图片生成提问信息，并通过多个网络平台发布所述提问信息包括：
构建用于对所述初次训练图片进行提问的语句模组；
将所述初次训练图片代入至所述语句模组中，以获取所述提问信息；
通过虚拟账户在多个网络平台上发布所述提问信息。
优选地，采集所述提问信息的反馈信息，并对所述反馈信息进行分析，以获取所述提问信息的评价标签包括：
采集所述提问信息的基础反馈信息；所述基础反馈信息包括所述提问信息的浏览量、所述提问信息的回复量、所述提问信息的转发量、所述提问信息的点赞量；
采集所述提问信息的回复评论，并将所述回复评论划分为正面评论和负面评论；
从所述正面评论中提取得到正面评价的所述类型标签，并根据所述提问信息的基础反馈信息为所述类型标签赋予权重分值，以生成第一评价标签；
从所述负面评论中提取得到负面评价的所述类型标签，并根据所述提问信息的基础反馈信息为所述类型标签赋予权重分值，以生成第二评价标签。
优选地，对所述评价标签和所述类型标签进行关联性检索，根据所述检索的结果对所述训练样本集合进行优化包括：
统计所述初次训练样本的所述第一评价标签和所述第二评价标签的权重分值比例数值；
当所述初次训练图片的所述第一评价标签和所述第二评价标签的权重分值比例数值大于预定标准时，将所述初次训练图片输入至所述训练样本集合中；
当所述第二评价标签的权重分值大于预定标准时，根据所述第二评价标签对应的所述类型标签在互联网上进行搜索，获取对应的图片并作为原始训练样本输入至所述训练样本集合中。
第二方面，本发明提供一种图像生成模型的训练装置，用于实现第一方面任意一项所述的一种图像生成模型的训练方法。
第三方面，本发明提供一种图像生成模型的训练设备，包括：存储器和运行器；
所述存储器用于存储计算机程序，所述计算机程序用于实现第一方面任意一项所述的一种图像生成模型的训练方法；
所述运行器用于驱动所述存储器运行所述计算机程序。
第四方面，本发明提供一种图像生成模型的训练存储介质，用于存储用于实现上述任一实施例中的一种图像生成模型的训练方法。
本发明提供了一种图像生成模型的训练方法、装置、设备及存储介质，具有以下有益效果：
在本发明中，通过计算机程序自主根据训练生成的图片生成提问信息，并在多个网络平台上发送，通过采集网络用户对其的评价来获得该图片的评估结果，根据评估结果选择性地将图片补充进训练样本中，以提升图像生成模型的图像生成能力，本发明将自行评估的工作转移给了其他网络用户，节省了对图片的评估工作，解决现有技术中自行对图像生成模型进行细分领域的训练时，需要使用大量人力，导致训练成本较高的问题。
附图说明
图1是本发明实施例提供的一种图像生成模型的训练方法示意图。
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，以下结合附图及实施例，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。
本实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
以下结合具体实施例对本发明的实现进行详细的描述。
参照图1所示，为本发明提供较佳实施例。
第一方面，本发明提供一种图像生成模型的训练方法，包括：
S1：获取原始训练样本；所述原始训练样本包括各种类型的图片。
S2：提取所述原始训练样本的图像特征，并根据所述图像特征为所述原始训练样本赋予类型标签。
S3：根据所述类型标签对所述原始训练样本进行组合，获取训练样本集合。
S4：根据训练样本集合进行初次图像生成训练，以获取初次训练图片。
S5：根据所述初次训练图片生成提问信息，并通过多个网络平台发布所述提问信息。
S6：采集所述提问信息的反馈信息，并对所述反馈信息进行分析，以获取所述提问信息的评价标签。
S7：对所述评价标签和所述类型标签进行关联性检索，根据所述检索的结果对所述训练样本集合进行优化。
S8：重复进行上述的图像生成训练、生成提问信息并发布、采集反馈信息并分析、优化所述训练样本集合的步骤。
具体地，图像生成模型属于人工智能技术领域，可以根据用户给出的关键词生成对应的图像，目前，市面上公开有若干种图像生成模型，这些图像生成模型均采用了大量的图片进行训练，具有较为广泛的绘制图像的功能，然而，在一些较为细分的领域中，这些公开的图像生成模型绘制功能不佳，因此需要自行对图像生成模型进行训练，令其具备对于的绘制能力。
不难理解，为了获得目标细分领域的绘图功能，需要预先收集大量的对应的图像作为原始训练样本，以对图像生成领域进行训练。
需要说明的是，一个细分领域中也会包含若干个要素，即采集到的原始训练样本可以具有多个类型标签，当需要对图像生成模型进行图像生成训练时，可以分别对类型标签进行训练。
例如：某原始训练样本的类型标签为A和B，因此该原始训练样本可以进入用于训练类型标签A的训练样本集合和用于训练类型标签B的训练样本集合。
可以理解的是，训练样本集合是将具有相同元素的原始训练样本进行整合，作为训练资料供图像生成模型进行训练，训练样本集合的优劣程度决定了图像生成模型的训练成果。
具体地，图像生成模型在生成了若干初次训练图片后，需要对初次训练图片进行评估，并根据评估的结果对图像生成模型的训练样本集合进行优化，以实现图像生成模型的进步。
更具体地，智能模型本身的评估能力是基于计算机程序的，而现有技术中想要通过编译计算机程序从而令智能模型具备对细分领域的图像进行细节评估是十分困难且耗费精力的，因此，在本申请中，选择通过借助人工的方式来实现对初次训练图片的评估。
更具体地，上述的借助人工的方式来实现对初次训练图片的评估并非是指自行安排人员对初次训练图片进行评估，而是使用计算机程序根据初次训练图片生成提问信息，并发布在互联网的各个平台上，以对网友进行提问，从而根据网友的回复意见获取对初次训练图片的评估。
例如，提问信息的句式可以为：“这些图片怎么样？有什么优点和缺点？”。
具体地，在发布提问信息后，可以在预定时间后对提问信息的反馈信息进行采集，并对反馈信息进行分析，以获取提问信息的评价标签。
不难理解，反馈信息包括了网友对提问信息的评价，其中具有正面的评价和负面的评价，并且，这些评价包括了对整体的评价，也有对其中具体要素的评价。
例如：一张初次训练图片，其具有的类型标签为A、B、C，这些类型标签可以对该图片中的主要要素进行代表，网友在观看到该图片后，会对这些要素进行评价，例如：网友对该图片的评价为“A画得很好、B画得一般、C画得太糟糕”，那么就可以得出图像生成模型对各个类型标签的绘制能力。
具体地，在得到评价标签后，就可以根据评价标签对训练生成训练样本集合进行优化，而优化后的训练样本集合可以供图像生成模型生成质量更好的图片。
需要说明的是，S4-S7的步骤可以持续循环进行，以不断对训练样本集合进行优化，令图像生成模型的图像生成能力不断优化。
本发明提供了一种图像生成模型的训练方法，具有以下有益效果：
在本发明中，通过计算机程序自主根据训练生成的图片生成提问信息，并在多个网络平台上发送，通过采集网络用户对其的评价来获得该图片的评估结果，根据评估结果选择性地将图片补充进训练样本中，以提升图像生成模型的图像生成能力，本发明将自行评估的工作转移给了其他网络用户，节省了对图片的评估工作，解决现有技术中自行对图像生成模型进行细分领域的训练时，需要使用大量人力，导致训练成本较高的问题。
优选地，提取所述原始训练样本的图像特征，并根据所述图像特征为所述原始训练样本赋予类型标签包括：
S21：预先建立标签数据库；所述标签数据库用于储存所述类型标签及所述类型标签对应的图像特征。
S22：提取所述原始训练样本的图像特征。
S23：根据提取的所述图像特征与所述标签数据库中的所述图像特征进行比对，为所述原始训练样本赋予若干所述类型标签。
S24：根据所述原始训练样本的所述图像特征之间的比例将所述若干类型标签划分为主要标签和附加标签。
具体地，当需要对某个细分领域进行图像生成模型的训练时，需要先对该细分领域中的主要要素进行登记，并分别赋予一个类型标签。
更具体地，同一个原始训练样本可能会具有多个类型标签，根据类型标签对应的图像特征之间的比例，可以判断出该原始训练样本所具有的多个类型标哪些属于主要标签哪些属于附加标签。
优选地，根据所述类型标签对所述原始训练样本进行组合，获取训练样本集合包括：
S31：确定待生成的训练样本集合对应的所述类型标签。
S32：对所述原始训练样本的所述主要标签进行检测，若所述主要标签与所述类型标签一致，则将所述原始训练样本提取进入所述训练样本集合。
具体地，主要标签代表着一个原始训练样本中占据比例达到预定标准的图像特征，而附加标签代表着一个原始训练样本中未达到预定标准的图像特征，不难理解，一个原始训练样本用于图像生成训练时，相比去生成比例较小的图像特征，生成比例较高的图像特征效果更好。
更具体地，训练样本集合可以选择一个类型标签为主题，也可以选择多个类型标签为主题。
例如：训练样本集合可以收录所有具有主要标签为类型标签A的原始训练样本，以训练类型标签为A的图片，训练样本集合也可以收录所有具有主要标签为类型标签B、类型标签C的原始训练样本，以训练类型标签为B、C的图片。
优选地，根据所述初次训练图片生成提问信息，并通过多个网络平台发布所述提问信息包括：
S51：构建用于对所述初次训练图片进行提问的语句模组:。
S52：将所述初次训练图片代入至所述语句模组中，以获取所述提问信息。
S53：通过虚拟账户在多个网络平台上发布所述提问信息。
具体地，语句模组包括两个部分，第一个部分为提问部分，第二个部分为附件部分，其中，提问部分可以为：“下面的图片怎么样？有什么优点和缺点？”，附件部分则用于添加初次训练图片。
更具体地，虚拟账号为多个网络平台注册的账号，目前的计算机程序中存在着自动发帖机器人、自动上传程序机器人这样的计算机程序，运用该计算机程序即可实现提问信息的自主编译与发送。
优选地，采集所述提问信息的反馈信息，并对所述反馈信息进行分析，以获取所述提问信息的评价标签包括：
S61：采集所述提问信息的基础反馈信息；所述基础反馈信息包括所述提问信息的浏览量、所述提问信息的回复量、所述提问信息的转发量、所述提问信息的点赞量。
S62：采集所述提问信息的回复评论，并将所述回复评论划分为正面评论和负面评论。
S63：从所述正面评论中提取得到正面评价的所述类型标签，并根据所述提问信息的基础反馈信息为所述类型标签赋予权重分值，以生成第一评价标签。
S64：从所述负面评论中提取得到负面评价的所述类型标签，并根据所述提问信息的基础反馈信息为所述类型标签赋予权重分值，以生成第二评价标签。
具体地，回复评论中包含了网友对图片的点评，可以从中得到正面评论和负面评论，而提问信息的基础反馈信息可以为正面评论和负面评论赋予权重分值，不难理解，回复量多的提问信息下的正面评论和负面评论可以代表更多人的意见，相比回复量少的提问信息下的回复评论更具有说服力与可靠性，因此为基础反馈信息优秀的提问信息的回复评论赋予更高的权重分值。
更具体地，第一评价标签和第二标签评价均为对初次训练图片的评价，一张初次训练图片可以同时具有第一评价标签和第二评价标签，当一张初次训练图片的第一评价标签具有的权重分值大于第二评价标签的权重分值，则代表该初次训练图片整体中的第一评价标签对应的类型标签呈优秀状态。
优选地，对所述评价标签和所述类型标签进行关联性检索，根据所述检索的结果对所述训练样本集合进行优化包括：
S71：统计所述初次训练图片的所述第一评价标签和所述第二评价标签的权重分值比例数值。
S72：当所述初次训练图片的所述第一评价标签和所述第二评价标签的权重分值比例数值大于预定标准时，将所述初次训练图片输入至所述训练样本集合中。
S73：当所述第二评价标签的权重分值大于预定标准时，根据所述第二评价标签对应的所述类型标签在互联网上进行搜索，获取对应的图片并作为原始训练样本输入至所述训练样本集合中。
具体地，初次训练图片的第一评价标签和第二评价标签代表该图片的认可度，当初次训练图片的第一评价标签与第二评价标签之间的比例关系大于预定标准时，则代表该初次训练图片的最终呈现出令人满意的效果，因此，该初次训练图片可以补充至训练样本集合中，以供图像生成模型进行新一轮的训练。
更具体地，当第二评价标签的权重分值大于预定标准时，代表图像生成模型对于绘制该类型标签的能力较差，需要对其进行强化，而强化的途径则是在互联网上搜索对于的类型标签的图片，作为原始训练样本补充进入训练样本集合中，以为图像生成模型进行模仿学习，以提升对应类型标签的绘制能力。
第二方面，本发明提供一种图像生成模型的训练装置，用于实现第一方面任意一项所述的一种图像生成模型的训练方法。
第三方面，本发明提供一种图像生成模型的训练设备，包括：存储器和运行器。
存储器用于存储计算机程序，计算机程序用于实现第一方面任意一项所述的一种图像生成模型的训练方法。
运行器用于驱动存储器运行计算机程序。
第四方面，本发明提供一种图像生成模型的训练存储介质，用于存储用于实现上述任一实施例中的一种图像生成模型的训练方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。
Claims (9)
1.一种图像生成模型的训练方法，其特征在于，包括：
获取原始训练样本；所述原始训练样本包括各种类型的图片；
提取所述原始训练样本的图像特征，并根据所述图像特征为所述原始训练样本赋予类型标签；
根据所述类型标签对所述原始训练样本进行组合，获取训练样本集合；
根据训练样本集合进行初次图像生成训练，以获取初次训练图片；
根据所述初次训练图片生成提问信息，并通过多个网络平台发布所述提问信息；
采集所述提问信息的反馈信息，并对所述反馈信息进行分析，以获取所述提问信息的评价标签；
对所述评价标签和所述类型标签进行关联性检索，根据所述检索的结果对所述训练样本集合进行优化；
重复进行上述的图像生成训练、生成提问信息并发布、采集反馈信息并分析、优化所述训练样本集合的步骤。
2.如权利要求1所述的一种图像生成模型的训练方法，其特征在于，提取所述原始训练样本的图像特征，并根据所述图像特征为所述原始训练样本赋予类型标签包括：
预先建立标签数据库；所述标签数据库用于储存所述类型标签及所述类型标签对应的图像特征；
提取所述原始训练样本的图像特征；
根据提取的所述图像特征与所述标签数据库中的所述图像特征进行比对，为所述原始训练样本赋予若干所述类型标签；
根据所述原始训练样本的所述图像特征之间的比例将所述若干类型标签划分为主要标签和附加标签。
3.如权利要求2所述的一种图像生成模型的训练方法，其特征在于，根据所述类型标签对所述原始训练样本进行组合，获取训练样本集合包括：
确定待生成的训练样本集合对应的所述类型标签；
对所述原始训练样本的所述主要标签进行检测，若所述主要标签与所述类型标签一致，则将所述原始训练样本提取进入所述训练样本集合。
4.如权利要求1所述的一种图像生成模型的训练方法，其特征在于，根据所述初次训练图片生成提问信息，并通过多个网络平台发布所述提问信息包括：
构建用于对所述初次训练图片进行提问的语句模组；
将所述初次训练图片代入至所述语句模组中，以获取所述提问信息；
通过虚拟账户在多个网络平台上发布所述提问信息。
5.如权利要求1所述的一种图像生成模型的训练方法，其特征在于，采集所述提问信息的反馈信息，并对所述反馈信息进行分析，以获取所述提问信息的评价标签包括：
采集所述提问信息的基础反馈信息；所述基础反馈信息包括所述提问信息的浏览量、所述提问信息的回复量、所述提问信息的转发量、所述提问信息的点赞量；
采集所述提问信息的回复评论，并将所述回复评论划分为正面评论和负面评论；
从所述正面评论中提取得到正面评价的所述类型标签，并根据所述提问信息的基础反馈信息为所述类型标签赋予权重分值，以生成第一评价标签；
从所述负面评论中提取得到负面评价的所述类型标签，并根据所述提问信息的基础反馈信息为所述类型标签赋予权重分值，以生成第二评价标签。
6.如权利要求5所述的一种图像生成模型的训练方法，其特征在于，对所述评价标签和所述类型标签进行关联性检索，根据所述检索的结果对所述训练样本集合进行优化包括：
统计所述初次训练样本的所述第一评价标签和所述第二评价标签的权重分值比例数值；
当所述初次训练图片的所述第一评价标签和所述第二评价标签的权重分值比例数值大于预定标准时，将所述初次训练图片输入至所述训练样本集合中；
当所述第二评价标签的权重分值大于预定标准时，根据所述第二评价标签对应的所述类型标签在互联网上进行搜索，获取对应的图片并作为原始训练样本输入至所述训练样本集合中。
7.一种图像生成模型的训练装置，其特征在于，用于实现权利要求1-6任意一项所述的一种图像生成模型的训练方法。
8.一种图像生成模型的训练设备，其特征在于，包括：存储器和运行器；
所述存储器用于存储计算机程序，所述计算机程序用于实现权利要求1-6任意一项所述的一种图像生成模型的训练方法；
所述运行器用于驱动所述存储器运行所述计算机程序。
9.一种图像生成模型的训练存储介质，其特征在于，用于存储用于实现权利要求1-6任意一项所述的一种图像生成模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311284960.0A CN117351302B (zh) | 2023-10-07 | 2023-10-07 | 一种图像生成模型的训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311284960.0A CN117351302B (zh) | 2023-10-07 | 2023-10-07 | 一种图像生成模型的训练方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117351302A true CN117351302A (zh) | 2024-01-05 |
| CN117351302B CN117351302B (zh) | 2024-06-07 |
Family
ID=89368426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311284960.0A Active CN117351302B (zh) | 2023-10-07 | 2023-10-07 | 一种图像生成模型的训练方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117351302B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109710741A (zh) * | 2018-12-27 | 2019-05-03 | 中山大学 | 一种面向在线问答平台的基于深度强化学习的问题标注方法 |
| CN109783617A (zh) * | 2018-12-11 | 2019-05-21 | 平安科技（深圳）有限公司 | 用于答复问题的模型训练方法、装置、设备及存储介质 |
| CN110705887A (zh) * | 2019-10-10 | 2020-01-17 | 国网湖北省电力有限公司计量中心 | 一种基于神经网络模型的低压台区运行状态综合评价方法 |
| CN111753092A (zh) * | 2020-06-30 | 2020-10-09 | 深圳创新奇智科技有限公司 | 一种数据处理方法、模型训练方法、装置及电子设备 |
| WO2021243706A1 (zh) * | 2020-06-05 | 2021-12-09 | 中山大学 | 一种跨语言生成提问的方法和装置 |
| CN114022960A (zh) * | 2022-01-05 | 2022-02-08 | 阿里巴巴达摩院(杭州)科技有限公司 | 模型训练和行为识别方法、装置、电子设备以及存储介质 |
| CN115035363A (zh) * | 2022-05-30 | 2022-09-09 | 东南大学 | 一种深度神经网络模型的在线训练方法 |
| US20230024820A1 (en) * | 2020-02-12 | 2023-01-26 | Morpho, Inc. | Analysis device and analysis method |
| DE202023100081U1 (de) * | 2023-01-09 | 2023-01-27 | Souvik Chowdhury | Ein System zur effizienten und verbesserten Beantwortung visueller Fragen |
| CN115861255A (zh) * | 2022-12-15 | 2023-03-28 | 联仁健康医疗大数据科技股份有限公司 | 用于图像处理的模型训练方法、装置、设备、介质及产品 |
| CN115982330A (zh) * | 2022-12-28 | 2023-04-18 | 阿里巴巴（中国）有限公司 | 模型预训练方法、模型训练方法、数据处理方法及其装置 |
| CN116244601A (zh) * | 2023-03-15 | 2023-06-09 | 中国联合网络通信集团有限公司 | 异网用户信用评估模型训练方法、信用等级评估方法 |
| CN116628207A (zh) * | 2023-06-07 | 2023-08-22 | 平安科技（深圳）有限公司 | 文本分类模型的训练方法和装置、电子设备及存储介质 |
-
2023
- 2023-10-07 CN CN202311284960.0A patent/CN117351302B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109783617A (zh) * | 2018-12-11 | 2019-05-21 | 平安科技（深圳）有限公司 | 用于答复问题的模型训练方法、装置、设备及存储介质 |
| CN109710741A (zh) * | 2018-12-27 | 2019-05-03 | 中山大学 | 一种面向在线问答平台的基于深度强化学习的问题标注方法 |
| CN110705887A (zh) * | 2019-10-10 | 2020-01-17 | 国网湖北省电力有限公司计量中心 | 一种基于神经网络模型的低压台区运行状态综合评价方法 |
| US20230024820A1 (en) * | 2020-02-12 | 2023-01-26 | Morpho, Inc. | Analysis device and analysis method |
| WO2021243706A1 (zh) * | 2020-06-05 | 2021-12-09 | 中山大学 | 一种跨语言生成提问的方法和装置 |
| CN111753092A (zh) * | 2020-06-30 | 2020-10-09 | 深圳创新奇智科技有限公司 | 一种数据处理方法、模型训练方法、装置及电子设备 |
| CN114022960A (zh) * | 2022-01-05 | 2022-02-08 | 阿里巴巴达摩院(杭州)科技有限公司 | 模型训练和行为识别方法、装置、电子设备以及存储介质 |
| CN115035363A (zh) * | 2022-05-30 | 2022-09-09 | 东南大学 | 一种深度神经网络模型的在线训练方法 |
| CN115861255A (zh) * | 2022-12-15 | 2023-03-28 | 联仁健康医疗大数据科技股份有限公司 | 用于图像处理的模型训练方法、装置、设备、介质及产品 |
| CN115982330A (zh) * | 2022-12-28 | 2023-04-18 | 阿里巴巴（中国）有限公司 | 模型预训练方法、模型训练方法、数据处理方法及其装置 |
| DE202023100081U1 (de) * | 2023-01-09 | 2023-01-27 | Souvik Chowdhury | Ein System zur effizienten und verbesserten Beantwortung visueller Fragen |
| CN116244601A (zh) * | 2023-03-15 | 2023-06-09 | 中国联合网络通信集团有限公司 | 异网用户信用评估模型训练方法、信用等级评估方法 |
| CN116628207A (zh) * | 2023-06-07 | 2023-08-22 | 平安科技（深圳）有限公司 | 文本分类模型的训练方法和装置、电子设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| GIANLUCA BORGHINI等: "A New Perspective for the Training Assessment: Machine Learning-Based Neurometric for Augmented User’s Evaluation", 《FRONTIERS IN NEUROSCIENCE》, vol. 11, 30 June 2017 (2017-06-30), pages 1 - 15 * |
| HONGCHIEN YU等: "Improving Query Representations for Dense Retrieval with Pseudo Relevance Feedback", 《PROCEEDINGS OF THE 30TH ACM INTERNATIONAL CONFERENCE ON INFORMATION & KNOWLEDGE MANAGEMENT》, 31 December 2021 (2021-12-31), pages 1 - 5 * |
| 周朋辉: "基于机器学习的全天空极光图像分类与割方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, 15 January 2020 (2020-01-15), pages 012 - 58 * |
| 周畅: "基于主题的图像描述生成技术研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 October 2018 (2018-10-15), pages 138 - 572 * |
| 赵凯琳 等: "小样本学习研究综述", 《软件学报》, vol. 32, no. 2, 10 September 2020 (2020-09-10), pages 349 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117351302B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109359215B (zh) | 视频智能推送方法和系统 | |
| CN111291266B (zh) | 基于人工智能的推荐方法、装置、电子设备及存储介质 | |
| CN112163165B (zh) | 信息推荐方法、装置、设备及计算机可读存储介质 | |
| CN111061946B (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
| CN111753098A (zh) | 一种基于跨媒体动态知识图谱的教学方法及系统 | |
| CN109947915B (zh) | 一种基于知识管理系统的人工智能专家系统及其构建方法 | |
| CN111723784B (zh) | 一种风险视频识别方法、装置和电子设备 | |
| CN109582800A (zh) | 一种训练结构化模型、文本结构化的方法及相关装置 | |
| CN108664649A (zh) | 知识内容推送方法、装置和推送服务器 | |
| CN110008397A (zh) | 一种推荐模型训练方法及装置 | |
| CN112287037A (zh) | 一种多实体混合知识图谱构建方法、装置及存储介质 | |
| CN109582933A (zh) | 一种确定文本新颖度的方法及相关装置 | |
| CN108897750A (zh) | 融合多元上下文信息的个性化地点推荐方法及设备 | |
| CN117150151B (zh) | 一种基于大语言模型的错题分析及试题推荐系统和方法 | |
| Hendre et al. | Efficacy of deep neural embeddings based semantic similarity in automatic essay evaluation | |
| CN109635277A (zh) | 一种获取实体信息的方法及相关装置 | |
| Diniz et al. | Github label embeddings | |
| CN117351302B (zh) | 一种图像生成模型的训练方法、装置、设备及存储介质 | |
| CN112215506A (zh) | 智慧数字教育ai课堂大数据管理平台及装置 | |
| Sanguansub et al. | Song lyrics recommendation for social media captions using image captioning, image emotion, and caption-lyric matching via universal sentence embedding | |
| CN110648262A (zh) | 一种用于数学思维训练的教学系统及数据处理方法 | |
| CN117725191B (zh) | 大语言模型的引导信息生成方法、装置及电子设备 | |
| CN109635139A (zh) | 一种获取图像信息的方法及相关装置 | |
| CN113434719B (zh) | 一种学前教育用的互动学习系统 | |
| CN116758450B (zh) | 一种基于时空图和相似图的协同注意力推理的视频问答方法 |
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 |