基于生成对抗网络图像、文本数据生成应用分类模型评估的测试方法.pdf
是你****嘉嘉
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于生成对抗网络图像、文本数据生成应用分类模型评估的测试方法.pdf
本发明公开了基于生成对抗网络图像、文本数据生成应用分类模型评估的测试方法,测试方法步骤如下:S1:使用训练被测模型数据用于训练生成对抗网络;S2:经过调参训练生成对抗网络完成后,提取其中的生成器,并根据生成器输入类别信息,生成该类别图像和文本数据;S3:根据测试方案设置原数据集以及生成数据集数据量权重,再根据类别所占比例重构测试数据集;S4:将测试集输入到被测模型得到分类结果,分类结果与真实分类信息构造出混淆矩阵,计算评估指标,准确率、精准率、召回率以及F1值。本发明可将所有的数据都可以当作训练集对模型进
基于文本对抗生成网络的无监督图像描述生成方法.pdf
本发明公开了一种基于文本对抗生成网络的无监督图像描述生成方法,其步骤包括:1、对图像数据库进行图像特征提取,对辅助文本库进行文本数据清洗;2、构建基于语言‑图像对比学习预训练模型的文本对抗生成网络;3、构造图像特征‑图像描述伪标签,并利用伪标签训练生成器进行预热;4、使用自批判的强化学习驱动的对抗学习方式训练构建的网络模型;5、使用训练好的生成网络进行推断,实现无监督的图像描述生成。本发明能充分利用语言‑图像对比学习预训练模型CLIP的能力实现图像信息的提取,并能在没有人工成对标注的情况下进行自主训练,从
基于先验生成对抗网络的图像去雾方法及模型.pdf
本发明公开了基于先验生成对抗网络的图像去雾方法,包括:收集成对的有雾图像和无雾图像构建训练集;对训练集的图像进行预处理,获得四通道的图像,所述四通道包括R、G、B三通道以及滤波后保留有高频与低频信息的第四通道;取四通道有雾图像的浅层特征并进行下采样,得到深层特征;对深层特征进行上采样以获取重构上采样特征,上采样过程中通过跳跃连接将上采样之前的图像特征融入重构上采样特征,重构出四通道的去雾图像;根据图像生成器损失和辨别器损失在训练集上训练所述图像去雾模型;图像生成器损失包括有雾图像与去雾图像之间的重建损失,
基于指针生成网络的数据到文本的生成模型.pdf
本发明公开了基于指针生成网络的数据到文本的生成模型,包括(1)建立输入层;(2)建立属性注意力机制;(3)建立指针生成网络;(4)建立覆盖机制;(5)建立注意力分布门控;(6)进行训练等步骤。本发明提供基于指针生成网络的数据到文本的生成模型,能够提供基于指针生成网络的数据到文本的生成模型,利用指针生成网络中的拷贝机制解决数据到文本生成中的严重的未登录词和稀有词问题,且引入槽‑值对数据的结构语义知识从而更好地对齐属性和值,在此基础上,不仅引入覆盖机制使模型更多地关注未表达的属性值在一定程度上保证表达的完整性
一种基于分布估计的条件生成对抗网络文本生成图像方法.pdf
本发明公开了一种基于分布估计的条件生成对抗网络文本生成图像方法用。本发明步骤如下:步骤(1)、数据预处理,提取文本数据的特征;步骤(2)、建立多阶段的无条件和有条件联合生成对抗神经网络和损失函数;步骤(3)、引入基于分布估计的损失函数;步骤(4)、模型训练;根据得到的新的损失函数,在训练过程中对判别器D<base:Sub>i</base:Sub>和生成器G<base:Sub>i</base:Sub>进行交替训练。本发明损失隐式地体现了单个文本生成无限次图像的影响,优化的目标为单个文本描述生成图像的特征分布