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
淑然****by
亲,该文档总共14页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
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
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
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
基于生成对抗网络的车牌图片生成方法、介质和设备.pdf
本发明公开了基于生成对抗网络的车牌图片生成方法、介质和设备,方法包括构建生成对抗网络模型,包括生成网络和判别网络;对生成对抗网络模型进行训练;输入目标车牌字符,目标车牌字符与随机噪声被传送到生成网络,得到目标车牌图片。本发明采用了卷积生成对抗网络模型,基于少量的样本,自主生成车牌图片,解决了车牌样本较少的问题。经过对生成对抗网络模型的训练,能够生成无限多的车牌图片,也能生成想要的车牌字符图片。
生成神经网络模型的对抗样本木马的方法及相关设备.pdf
本申请提供一种生成神经网络模型的对抗样本木马的方法及相关设备,包括:生成K个符合预定要求的第一扰动,所述预定要求包括目标函数要求以及L个样本图像的扰动率要求,所述样本图像的维度高于所述第一扰动的维度;对于K个所述第一扰动中的每一个,迭代地执行使该第一扰动在其目标函数的梯度方向上下降的操作,直至满足预设的迭代结束条件得到该第一扰动的优化扰动;计算每个优化扰动的所述目标函数的第一值;将第一值中的最小值对应的所述优化扰动确定为目标扰动;利用经过训练的神经网络模型对所述目标扰动进行数据升维处理,得到所述对抗样本木