[发明专利]无监督逐层生成对抗特征表示学习方法有效
| 申请号： | 201811536668.2 | 申请日： | 2018-12-15 |
| 公开（公告）号： | CN109711442B | 公开（公告）日： | 2021-04-16 |
| 发明（设计）人： | 张婷婷;牛彦杰;崇志宏;周俏;董会 | 申请（专利权）人： | 中国人民解放军陆军工程大学;江苏信物智能信息科技有限公司 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04 |
| 代理公司： | 南京理工大学专利中心 32203 | 代理人： | 封睿 |
| 地址： | 210007 江*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种无监督逐层生成对抗特征表示学习方法，通过2个及以上的生成式对抗网络组成堆积网络，其中第一个生成式对抗网络以多维的随机噪声为输入，其余生成式对抗网络以随机噪声和前一个分支的隐含特征为输入；通过各个生成网络生成对应大小的图像，根据各判别网络的交叉熵，优化各个判别网络，根据判别网络中间层特征的期望值和生成图像之间的相似统计特征，优化整个生成网络；利用优化的SGANs，提取抽象语义特征表示向量，结合散列表示方法，确定图像的散列特征表示。本发明能够生成高层次的抽象语义特征，并且能够更好的学习真实图像的分布。 | ||
| 搜索关键词： | 监督 生成 对抗 特征 表示 学习方法 | ||
【主权项】：
1.无监督逐层生成对抗特征表示学习方法，其特征在于，包括如下步骤：步骤1、构建SGANs网络架构：通过2个及以上的生成式对抗网络组成堆积网络，其中第一个生成式对抗网络以多维的随机噪声为输入，其余生成式对抗网络以随机噪声和前一个分支的隐含特征为输入；步骤2、进行网络优化：通过各个生成网络生成对应大小的图像，根据各判别网络的交叉熵，优化各个判别网络，根据判别网络中间层特征的期望值和生成图像之间的相似统计特征，优化整个生成网络；步骤3、进行特征表示：利用优化的SGANs，提取抽象语义特征表示向量，结合散列表示方法，确定图像的散列特征表示。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国人民解放军陆军工程大学;江苏信物智能信息科技有限公司，未经中国人民解放军陆军工程大学;江苏信物智能信息科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811536668.2/，转载请声明来源钻瓜专利网。
