“姬卉”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果3个，建议您升级VIP下载更多相关专利

[发明专利]一种无监督多模态对抗自编码的图像生成方法及框架-CN201910454914.8有效
发明人：白静;陈冉;姬卉;李赛赛 -专利权人：北方民族大学
申请日： 2019-05-29 - 公布日： 2023-03-24 - 主分类号： G06T3/00 文献下载
摘要：本发明公开了一种无监督多模态对抗自编码的图像生成方法及框架，包括步骤：S1、输入一组共n个同域的图像数据，它们来自于相同的数据分布，彼此共享部分公有属性，且各自拥有一些差异属性；S2、将输入的图像数据分别传入到可变属性编码器和固有属性编码器中，解耦出数据的固有属性编码和可变属性编码；S3、在无监督条件下，将可变属性编码及其相应的对抗网络进行对抗学习，以求解出可变属性编码的先验分布空间；S4、在无监督条件下，随机从可变属性编码的先验分布空间中采样，并联合固有属性编码通过解码器，完成单一域数据的多模态翻译，实现多属性的变换并生成对应的图像。本发明可有效解耦域内数据的公共属性和可变属性，并生成其多模态变换。
一种监督多模态对抗编码图像生成方法框架

[发明专利]一种基于深度集成及细节感知的细粒度三维模型分类方法-CN202210709888.0在审
发明人：白静;姬卉;邵会会;武如嵩 -专利权人：北方民族大学
申请日： 2022-06-22 - 公布日： 2022-09-30 - 主分类号： G06V20/64 文献下载
摘要：本发明公开了一种基于深度集成及细节感知的细粒度三维模型分类方法，该方法是基于一个三维模型细分类网络实现三维模型多视图的细粒度分类，三维模型细分类网络由主干网络和辅助网络组成，主干网络由初始特征提取层、一组基学习器和一个深度集成学习器构成，用于学习多视图中包含的三维模型全局结构特征，辅助网络由上下文细节感知模块、视图最大池化层和全连接层构成，用于捕捉视图中包含的细节特征；将主干网络与辅助网络的分类决策相结合，形成整体网络的分类综合决策，并以此构建联合损失函数，使得三维模型细分类网络能将细粒度三维模型进行准确分类。本发明可有效捕捉细粒度判别性信息，在三个数据集中均具有良好的分类效果以及普适性。
一种基于深度集成细节感知细粒度三维模型分类方法

[发明专利]一种半监督多模态多类别的图像翻译方法-CN201910548961.9有效
发明人：白静;陈冉;李赛赛;姬卉 -专利权人：北方民族大学
申请日： 2019-06-24 - 公布日： 2021-11-02 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种半监督多模态多类别的图像翻译方法，包括步骤：S1、输入两个来自不同域的图像以及少量标签；S2、将输入的图像和标签都送入编码器，编码器分为内容编码器和风格编码器，利用解耦表示学习从风格编码器和内容编码器中，将图像分别解耦出风格编码和内容编码；S3、把风格编码输入至对抗自编码器中，以完成图像多类别训练；把内容编码输入至内容对抗学习网络中，以完成图像多模态变换训练；S4、通过拼接风格编码和内容编码实现图像的重构和多模态的变换。本发明解决了由于图像翻译多样性的要求所带来的困境，通过对潜在内容编码和风格编码的联合解码，可以生成多模态和多类别的跨域图像。
一种监督多模态多类别图像翻译方法