“图像鉴别器”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果9139098个，建议您升级VIP下载更多相关专利

[发明专利]一种基于生成对抗网络的单图像去雪方法-CN201910769507.6有效
发明人：丁永泽;侯春萍 -专利权人：天津大学
申请日： 2019-08-16 - 公布日： 2023-07-04 - 主分类号： G06T5/00 文献下载
摘要：本发明涉及一种基于生成对抗网络的单图像去雪方法，包括构建一个去除雪花的生成对抗网络，步骤如下：第一步：数据集的构建：为得到一个带标签的数据库，构建一个合成雪图像数据库，方法如下：通过photoshop模拟雪花落下颗粒尺寸的变化第三步：鉴别网络构建：鉴别网络分成两部分：全局鉴别器以及细微区域鉴别器，全局鉴别器查看整个图像以检查是否有不一致，而细微区域鉴别器查看特定的区域是否满足要求。
一种基于生成对抗网络图像方法

[发明专利]用于病理器官分割的用户交互快速标注的用户引导域自适应-CN202180047304.1在审
发明人：亚当·P·哈里森;阿什温·拉朱 -专利权人：平安科技（深圳）有限公司
申请日： 2021-07-29 - 公布日： 2023-05-12 - 主分类号： G06T11/00 文献下载
摘要：该方法包括使用源图像数据集，通过最小化组合模型的监督损失训练所述组合模型，以获得第一FCN的第一共享权重和第二FCN的第二共享权重；通过为每个所述源图像数据集和目标图像数据集输入极值点/掩模预测对并通过最小化鉴别器损失以获得鉴别器权重来训练所述鉴别器；以及通过预测所述目标图像数据集的极值点/掩模预测对以欺骗所述鉴别器，及通过匹配所述目标图像数据集的所述极值点/掩模预测对的分布与所述源图像数据集极值点/掩模预测对的分布，微调所述组合模型。
用于病理器官分割用户交互快速标注引导自适应

[发明专利]基于GAN网络的虚假图像鉴别系统及构建方法-CN202010353776.7有效
发明人：张焕芹;王文一;黄佳伟;李晓锐 -专利权人：上海融军科技有限公司
申请日： 2020-04-29 - 公布日： 2023-05-12 - 主分类号： G06V10/764 文献下载
摘要：本发明提供了一种基于GAN网络的虚假图像鉴别系统及构建方法，构建多个GAN网络模型，分别在各自对应的数据集上进行训练；采用训练后的多个GAN网络模型生成虚假图像，同时从数据集中选取同等数量的真实图像，对分辨率进行统一；对虚假图像和真实图像分别进行数据增强操作，生成训练集；选择一个GAN网络模型，利用生成的训练集对该GAN网络模型进行鉴别器训练；对训练后的GAN网络模型进行泛化，构建形成基于GAN网络的虚假图像鉴别系统本发明合成数量庞大的数据集作为训练集，用于鉴别器的训练，通过数据增强操作，提升该鉴别器的泛化能力和鲁棒性，进而推广到各种模型中去，使其具有更强鉴别虚假图像与真实图像的能力。
基于 gan 网络虚假图像鉴别系统构建方法

[发明专利]一种基于生成对抗模型的工业图像特征的提取方法-CN202310447614.3在审
发明人：周春荣;丁际友 -专利权人：苏州梅曼智能科技有限公司
申请日： 2023-04-24 - 公布日： 2023-09-29 - 主分类号： G06V10/40 文献下载
摘要：本发明公开了一种基于生成对抗模型的工业图像特征的提取方法，包括如下步骤：对Massachusetts特征图像数据集进行预处理后获得数据集；构建Improved DUNet模型；将数据集导入Improved DUNet模型中进行训练得到生成器；构建全局鉴别器和局部鉴别器，然后与生成器构成对抗训练模型；基于对抗训练模型，生成器分别与全局鉴别器和局部鉴别器进行对抗训练，对生成器提取的图像特征提取结果进行微调；将生成器的图像特征提取结果和微调后生成器的图像特征提取结果进行综合；对图像特征提取结果进行评价，本发明通过构建对抗训练模型对生成器提取的图像特征进行微调，使得提取出的图像特征连续，分割的精度高，将微调之前和微调之后的模型的分割结果进行综合，提高图像特征的提取精度。
一种基于生成对抗模型工业图像特征提取方法

[发明专利]基于生成对抗网络信息最大化的SAR图像数据增强方法-CN202011477985.9在审
发明人：李一兵;谢丹;孙骞;叶方;田园 -专利权人：哈尔滨工程大学
申请日： 2020-12-15 - 公布日： 2021-03-19 - 主分类号： G06T5/00 文献下载
摘要：本发明提供一种基于生成对抗网络信息最大化的SAR图像数据增强方法，将输入噪声矢量分解为不可压缩的噪声源z和隐变量c；通过构建生成器网络，生成虚假图像；构建鉴别器网络，将真实的SAR图像x和生成的虚假图像输入鉴别器网络D，输出判别结果；使用神经网络将辅助分布Q参数化并输出Q(c|x)的参数；最大化隐变量c和生成的虚假图像之间的互信息；基于Adam优化算法，对计算的损失值和学习率对生成器、鉴别器和Q网络分别进行梯度的反向传播，更新网络参数；交叉训练生成器网络，鉴别器网络和辅助分布Q网络直至达到纳什平衡；保存生成的虚假图像。本发明实现SAR图像数据的有效增强，从而缓解了SAR图像识别领域数据量不足和样本缺乏多样性等问题。
基于生成对抗网络信息最大化 sar 图像数据增强方法

[发明专利]一种异构遥感图像变换方法及系统-CN202011236018.3有效
发明人：刘瑜;谭大宁;李刚;丁自然;孙顺;姜乔文 -专利权人：中国人民解放军海军航空大学;清华大学
申请日： 2020-11-09 - 公布日： 2022-11-15 - 主分类号： G06T5/00 文献下载
摘要：本发明涉及一种异构遥感图像变换方法及系统，设置了可见光灰度图像作为SAR图像到可见光彩色图像的中间态，通过SAR图像降噪声生成器将SAR图像生成可见光灰度图像，并通过第一鉴别器进行鉴别，通过可见光图像生成器将可见光灰度图像生成可见光彩色图像，并通过第二鉴别器进行鉴别，降低了SAR图像到可见光彩色图像变换的失真率，提高了遥感图像变换的质量和效率。
一种遥感图像变换方法系统

[发明专利]分类学习方法、系统及计算机存储介质-CN202310717400.3在审
发明人：张二磊;白嘉欣;张宏鸣;冯明晨;詹涛;杨婧 -专利权人：西北农林科技大学深圳研究院
申请日： 2023-06-16 - 公布日： 2023-09-05 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种分类学习方法、系统及计算机存储介质，方法包括：随机采集不同场景下的原始HSI；通过Wald协议对所述原始HSI的所有光谱波段进行平均得到PAN图像；将所述原始HSI和所述PAN图像输入生成器网络，获得HQHSI；应用鉴别器D1将所述HQHSI的光谱信息与所述原始HSI相同步；应用鉴别器D2将所述HQHSI的空间构造与所述PAN图像相同步；重复迭代应用所述鉴别器D1与所述鉴别器D2，获得最优质HQHSI；将所述最优质HQHSI图像输入到双层提取分类网络中，得到分类结果。
分类学习方法系统计算机存储介质

[发明专利]基于多鉴别器条件生成对抗网络的雷达图像目标识别方法-CN202110783193.2有效
发明人：黄钰林;裴季方;刘小钰;王陈炜;霍伟博;杨海光;张寅;杨建宇 -专利权人：电子科技大学
申请日： 2021-07-12 - 公布日： 2023-04-07 - 主分类号： G06V20/13 文献下载
摘要：本发明公开了一种基于多鉴别器条件生成对抗网络的雷达图像目标识别方法，包括以下步骤：S1、将随机噪声和带有标签的图像数据样本输入条件对抗生成网络的生成器中生成伪图像；S2、将伪图像与带有标签的真实图像数据样本一起分别输入到两个鉴别器中进行训练；S3、将未打标签的图像数据样本输入到训练好的两个鉴别器中，获得带有预测标签的图像数据样本；S4、将最初带标签的真实图像数据样本和鉴别器分配了预测标签的图像数据样本结合，作为网络的训练数据集，在半监督学习的基础上训练CNN并实现雷达图像目标识别。本发明具有更精确的图像生成能力，并且可以提高的识别精度。同时，该方法可以有效地提高带有少量标记样本的网络的识别精度和鲁棒性。
基于鉴别器条件生成对抗网络雷达图像目标识别方法

[发明专利]基于生成对抗网络的物体检测方法及装置-CN201710614277.7在审
发明人：曲贺;李晋;贾强;张岚;刘卉元 -专利权人：宸盛科华（北京）科技有限公司
申请日： 2017-07-25 - 公布日： 2017-12-08 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于生成对抗网络的物体检测方法及装置，生成对抗网络包括生成器和鉴别器，所述方法包括如下步骤将输入的原始图像进行尺寸变换得到第一图像，并对所述第一图像进行滤波去噪处理得到第二图像；将所述第二图像输入到生成对抗网络中；所述生成器对所述第二图像进行训练，生成对应所述第二图像的物体描述文本并将其传送到所述鉴别器；所述鉴别器鉴别所述物体描述文本是否是真实的数据，并将鉴别结果传送到所述生成器，对所述生成器进行调整训练。
基于生成对抗网络物体检测方法装置

[发明专利]一种非均匀运动模糊超分辨图像复原方法及装置-CN202210280228.5在审
发明人：李子涵;崔光茫;赵巨峰;陈颖 -专利权人：杭州电子科技大学
申请日： 2022-03-22 - 公布日： 2022-07-29 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种非均匀运动模糊超分辨图像复原方法，包括如下步骤：S1、构建数据集；S2、将预处理的数据集输入至生成器得到初步复原图像；S3、通过鉴别器判别初步复原图像和真实图像，得到判别结果，鉴别器为马尔科夫判别网络；S4、利用损失函数对生成对抗网络进行优化，得到性能最优的网络结果，得到最佳复原图像，所述生成对抗网络包括生成器和鉴别器；S5、输出复原结果。解决图像信息来源单一造成图像信息丢失的复原过程不可逆及复原效果不清晰问题。
一种均匀运动模糊分辨图像复原方法装置

[发明专利]x射线图像的样本扩充方法、样本扩充装置-CN202310458772.9有效
发明人：徐华安;施林枫 -专利权人：无锡日联科技股份有限公司
申请日： 2023-04-26 - 公布日： 2023-07-28 - 主分类号： G06T3/40 文献下载
摘要：本发明提供一种x射线图像的样本扩充方法、样本扩充装置，所述方法采取两次交叉重建的方式，在第一阶段使用正常图像的编码特征实现一次生成，使用鉴别器在一次阶段实现对抗性训练，第二阶段依然使用交叉传递的方式，但是并没有使用内容鉴别器，通过加入交叉循环一致性损失函数实现无监督的非配对数据集，可以生成连鉴别器都无法辨别真假的x射线伪图像。本发明无需成对的标签数据集即可实现x射线图像的瑕疵生成，同时，通过对图像的内容和细节进行编码，将样本的内容特征和语义特征解码，使用权重共享的编码器提取x域和y域中的共享潜在编码，采用内容鉴别器区分共享编码特征的域隶属度
射线图像样本扩充方法装置

[发明专利]一种用于GIS设备缺陷区域X-DR图像超分辨率方法-CN202211185625.0在审
发明人：刘国特;周妮娜;周锦辉;文湧华;许淋强;宋宇昕;陈思军 -专利权人：广东双电科技有限公司
申请日： 2022-09-27 - 公布日： 2023-01-20 - 主分类号： G06T3/40 文献下载
摘要：本发明提供了一种用于GIS设备缺陷区域X‑DR图像超分辨率方法，包括：构建GIS设备X‑DR图像退化模型；构建GIS设备X‑DR超分辨率图像生成器；构建GIS设备X‑DR图像鉴别器；设计图像鉴别器的总损失函数；S6，通过GIS设备X‑DR图像超分辨网络生成GIS设备X‑DR超分辨率图像；其中，LD1表示第一个鉴别器的损失函数，LD2表示第二个鉴别器的损失函数，Lprecep表示感知损耗，L1表示L1损失函数，LG1以及LG2分别表示第一个鉴别器以及第二第二个鉴别器个对应的生成器的损失函数。本发明生成的GIS设备X‑DR超分辨率图像有利于提高缺陷检测的精确度，可以为GIS设备的状态检测和安全运行提供重要的技术手段。
一种用于 gis 设备缺陷区域 dr 图像分辨率方法

[发明专利]一种基于条件变分自编码器的机器学习模型对抗性样本生成方法-CN202110076669.9有效
发明人：王莘;俞廷岳 -专利权人：哈尔滨工业大学
申请日： 2021-01-20 - 公布日： 2021-11-16 - 主分类号： G06N20/00 文献下载
摘要：本发明公开了一种基于条件变分自编码器的机器学习模型对抗性样本生成方法，步骤1：根据训练好的鉴别器调整自编码器生成噪声；步骤2：对生成噪声的自编码器输入图像样本和标签，将图像样本经过自编码器后完成与噪声相叠加生成对抗图像样本；步骤3：将步骤2生成对抗图像样本和标签再次输入训练好的鉴别器；步骤4：使训练好的鉴别器鉴别对抗图像样本并输出标签；步骤5：基于步骤4的输出的标签与步骤3输入的标签进行对比，将对抗图像样本识别为指定的目标标签本发明在不了解目标模型实现细节的黑盒条件下，快速地、有针对性地生成对抗性样本图像。
一种基于条件编码器机器学习模型对抗性样本生成方法

[发明专利]一种基于条件GAN的图像合成装置及方法-CN202210930214.3在审
发明人：陈春晓;陈志颖;吴泽静;徐俊琪 -专利权人：南京航空航天大学
申请日： 2022-08-03 - 公布日： 2022-12-06 - 主分类号： G06T5/50 文献下载
摘要：本发明公开了一种基于条件GAN的图像合成装置及方法，包括以下单元：数据获取单元；数据预处理单元，进行数据归一化，数据划分和条件标签制作；条件生成器单元，通过条件映射和条件解码将条件标签映射到图像的合成过程中，输出与输入条件标签对应的合成图像；条件鉴别器单元，通过条件映射和条件编码将条件标签映射到编码过程，鉴别合成图像与真实图像；模型优化器单元，通过目标损失函数的反向传播计算条件生成器单元和条件鉴别器单元的参数梯度，并通过生成器梯度调整子单元对条件生成器单元内的参数梯度进行约束，实现条件生成器单元与条件鉴别器单元之间稳定的生成对抗训练。
一种基于条件 gan 图像合成装置方法

[发明专利]一种基于人工智能的障碍物检测方法-CN202011307128.4在审
发明人：秦文健;张旺;曾光;何佳慧 -专利权人：中国科学院深圳先进技术研究院
申请日： 2020-11-20 - 公布日： 2021-03-26 - 主分类号： G06K9/00 文献下载
摘要：该方法包括：根据光照度将采集的生活场景数据集划分为标准光照度的第二风格数据集和其他光照度的第一风格数据集；以设定的损失函数为目标训练循环对抗网络，该循环对抗网络包括第一生成器、第二生成器、第一鉴别器和第二鉴别器，其中，第一生成器用于转换第一风格数据集并传递至第一鉴别器，第二生成器用于转换第二风格数据集并传递至第二鉴别器，第一鉴别器和第二鉴别器用于判断接收到图像是否符合对应的目标风格；利用经训练的第一生成器处理待检测图像
一种基于人工智能障碍物检测方法