[发明专利]一种基于CycleGAN的图片训练的网络结构ArcGAN及方法在审
| 申请号： | 201910350757.6 | 申请日： | 2019-04-28 |
| 公开（公告）号： | CN110222837A | 公开（公告）日： | 2019-09-10 |
| 发明（设计）人： | 蒋涵;陶文源;孙倩 | 申请（专利权）人： | 天津大学 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06N3/04 |
| 代理公司： | 天津市北洋有限责任专利代理事务所 12201 | 代理人： | 刘子文 |
| 地址： | 300072*** | 国省代码： | 天津;12 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开一种基于CycleGAN的图片训练的网络结构ArcGAN及方法，网络结构ArcGAN由生成器和双鉴别器组成，双鉴别器包括粗糙鉴别器和精细鉴别器；编码器包括一个输入层和三个下采样卷积层，每个下采样卷积层后接两个和输入层结构一样的平卷积层；转换器包括五个没有池化层的密集卷积块，每块包含五个带有瓶颈层的密集卷积层，块与块之间设有压缩层；解码器包括三个上采样反卷积层和一个输出层，每个上采样反卷积层后接两个和输入层结构一样的平卷积层；编码器中的每层下采样和与之对应的解码器中的上采样进行复制式连接。粗糙鉴别器用于处理高层视觉信息，由六层下采样层和一个输出层构成；精细鉴别器和粗糙鉴别器计算的损失相结合，与生成器共同完成对抗一致性训练。 | ||
| 搜索关键词： | 鉴别器 下采样 卷积 网络结构 上采样 输入层 粗糙 解码器 编码器 反卷积 生成器 输出层 积层 平卷 精细 转换器 视觉信息 复制式 压缩层 池化 瓶颈 对抗 高层 图片 | ||
【主权项】：
1.一种基于CycleGAN的图片训练的网络结构ArcGAN，CycleGAN网络架构由两个卷积神经网络(CNN)组成，一个是生成器，用以被训练以产生欺骗鉴别器的输出；另一个是鉴别器，用于对图像来自真实目标还是合成图像进行分类；生成器包括编码器、转换器和解码器，编码器是一个输入层和两个下采样卷积层，转换器是九块残差卷积层，解码器是两个上采样反卷积层以及一个输出层；其特征在于，所述网络结构ArcGAN由生成器和双鉴别器组成，所述双鉴别器包括粗糙鉴别器和精细鉴别器；所述网络结构ArcGAN的生成器中的编码器包括一个输入层和三个下采样卷积层，每个下采样卷积层后接两个和输入层结构一样的平卷积层；转换器包括五个没有池化层的密集卷积块，每块包含五个带有瓶颈层的密集卷积层，块与块之间设有压缩层；解码器包括三个上采样反卷积层和一个输出层，每个上采样反卷积层后接两个和输入层结构一样的平卷积层；编码器中的每层下采样和与之对应的解码器中的上采样进行复制式连接。所述粗糙鉴别器用于处理高层视觉信息，由六层下采样层和一个输出层构成；精细鉴别器由四层下采样和一个最终层构成；精细鉴别器和粗糙鉴别器计算的损失相结合，与生成器共同完成对抗一致性训练。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于天津大学，未经天津大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910350757.6/，转载请声明来源钻瓜专利网。
- 上一篇：数模混合神经突触电路
- 下一篇：文档排序方法、装置、电子设备及存储介质
