基于生成对抗网络模型的齿轮参数过采样方法.pdf
一只****生物
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于生成对抗网络模型的齿轮参数过采样方法.pdf
本发明提供一种基于生成对抗网络模型的齿轮参数过采样方法,按以下步骤进行:S1:确定需要采样的齿轮参数并采集相应数据;S2:通过神经网络构建一个生成器和一个判别器;S3:输入噪声序列信号到生成器中,得到生成数据;S4:将生成的数据与原始采样数据输入判别器进行分类判断;S5:利用Softmax层进行线性变换,得到最终分类结果;S6:将分类结果与设定值比较得到分类误差,当大于预设目标,则更新生成器中各个神经元的权重生成新的数据;小于预设目标,则更新判别器中各个神经元的权重重新分类判断;S7:将生成器生成的数据和
基于量子化生成模型和神经网络的对抗生成网络构建方法.pdf
本发明公开一种基于量子化生成模型和神经网络的对抗生成网络构建方法,包括:(1)选定目标函数生成训练样本集,初始化生成和判别网络模型的参数向量;(2)根据目标函数选取量子比特纠缠对,构造量子生成网络模型的结构;(3)生成网络模型得到的生成样本集和训练样本集混合送入判别模型,由判别模型进行样本集判别;(4)根据对抗训练算法分别计算代价损失函数,通过梯度下降优化更新对应网络模型的参数向量;(5)若达到收敛标准则输出步骤(4)中得到的生成网络模型,否则返回步骤(3)。本发明在保留经典对抗生成网络算法优势的同时,结
一种对抗生成网络模型、以及基于所述对抗生成网络模型的散景效果渲染方法及系统.pdf
本发明提出了一种基于对抗生成网络的散景效果渲染方法,通过设计一个轻量化的网络,并同时使用TensorFlowLite框架支持的算子重新实现了实例归一化,确保提出的一个由眼镜形状的端到端生成器以及多感受野判别器组成的对抗生成网络来训练散景渲染模型的所有算子都能在智能手机的GPU上进行计算,且不占用很大的资源。本发明同时还达到了不依赖于先验的方法的同时,还可以显著的检测出待聚焦区域,使得失焦区域的模糊效果也很自然,适用于多场景的情况而非只能处理人像等特定场景的目的。
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,
基于生成对抗网络的图像语义分割模型构建方法和装置.pdf
本申请公开了一种基于生成对抗网络的图像语义分割模型构建方法和装置,该方法使用分割模型训练源域数据集,再使用生成对抗网络将源域数据集转换为新的目标域数据集,该新的目标域数据集保留了源域数据集中图像的结构特征但同时具有目标域数据集的全局特征,因此使用新的目标域数据集微调源域分割模型将降低源域和目标域的域移位影响,并且不会对数据的其他图像特征产生负影响,提高了图像语义分割模型的泛化能力,提高了自适应图像语义分割模型的精度和效率。如此,通过使用生成对抗网络有效的减少了源域和目标域间域移位的影响,提高了自适应图像语