公开(公告)号：CN115082299B

公开(公告)日：2022-11-25

申请号：CN202210857769.X

申请日：2022-07-21

Applicant: 中国科学院自动化研究所

Inventor： 杨明浩 ,  张晓凯

IPC: G06T3/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于图像转换技术领域，具体涉及了一种非严格对齐的小样本不同源图像转换方法、系统及设备，旨在解决现有深度学习的模型训练样本图像少、获取困难，导致训练好的模型性能较低的问题。本发明包括：构建图像转换模型，其生成器基于编码器、转换器和解码器构建，判别器基于卷积神经网络和激活函数构建；获取X类别和Y类别图像对，并进行图像增强；通过增强后的图像对进行图像转换模型的训练；通过训练好的图像转换模型，将获取的一个或少量X类别图像转换为Y类别图像。本发明通过非严格对齐方法构建容易获得的图像类别向不容易获得的图像的转换，有效提升不容易获得的图像的目标特征学习效果。

公开(公告)号：CN115082299A

公开(公告)日：2022-09-20

申请号：CN202210857769.X

申请日：2022-07-21

Applicant: 中国科学院自动化研究所

Inventor： 杨明浩 ,  张晓凯

IPC: G06T3/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于图像转换技术领域，具体涉及了一种非严格对齐的小样本不同源图像转换方法、系统及设备，旨在解决现有深度学习的模型训练样本图像少、获取困难，导致训练好的模型性能较低的问题。本发明包括：构建图像转换模型，其生成器基于编码器、转换器和解码器构建，判别器基于卷积神经网络和激活函数构建；获取X类别和Y类别图像对，并进行图像增强；通过增强后的图像对进行图像转换模型的训练；通过训练好的图像转换模型，将获取的一个或少量X类别图像转换为Y类别图像。本发明通过非严格对齐方法构建容易获得的图像类别向不容易获得的图像的转换，有效提升不容易获得的图像的目标特征学习效果。