公开(公告)号：CN115424119B

公开(公告)日：2023-03-24

申请号：CN202211373030.8

申请日：2022-11-04

Applicant: 之江实验室

Inventor： 李超 ,  王劲

IPC: G06V10/82 ,  G06V10/74 ,  G06N3/0475 ,  G06N3/094

Abstract: 本发明公开了基于语义分形的可解释GAN的图像生成训练方法及装置，将传统的GAN模型修改为一个可解释的GAN，使得其高层的特征表示是明确且一致的；在可解释GAN中，同一层的所有滤波器“学习着”被相同的部分激活，从而使得GAN内部的特征表示清晰且一致的语义信息；本发明在无需额外标注，仅使用正常的训练样本的情况下，设计分形损失函数，约束GAN的特征表达，使其自动地学习关注物体重要的部分；通过同时优化GAN原本损失函数与分形损失函数，在提升GAN内部特征可解释性的同时，也保证了GAN生成图片的质量。

公开(公告)号：CN115424119A

公开(公告)日：2022-12-02

申请号：CN202211373030.8

申请日：2022-11-04

Applicant: 之江实验室

Inventor： 李超 ,  王劲

IPC: G06V10/82 ,  G06V10/74 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于语义分形的可解释GAN的图像生成训练方法及装置，将传统的GAN模型修改为一个可解释的GAN，使得其高层的特征表示是明确且一致的；在可解释GAN中，同一层的所有滤波器“学习着”被相同的部分激活，从而使得GAN内部的特征表示清晰且一致的语义信息；本发明在无需额外标注，仅使用正常的训练样本的情况下，设计分形损失函数，约束GAN的特征表达，使其自动地学习关注物体重要的部分；通过同时优化GAN原本损失函数与分形损失函数，在提升GAN内部特征可解释性的同时，也保证了GAN生成图片的质量。

公开(公告)号：CN116452945A

公开(公告)日：2023-07-18

申请号：CN202310210844.8

申请日：2023-03-07

Applicant: 之江实验室

Inventor： 李超 ,  耿浩棒 ,  王劲 ,  姚柯璐

IPC: G06V10/82 ,  G06V10/762 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/088

Abstract: 本发明公开了一种解构图像生成网络中层表征的方法和装置，属于生成式对抗网络及可解释性应用技术领域。本方法将传统的GAN修改为可解释的GAN而不需要手动标注语义特征。该发明设计一种残差函数来优化通过解构中层表征来增强模型可解释性。本发明提出的方法可以实现无监督学习，使得每组滤波器自觉学习一致的视觉概念的图像区域，同时避免了人为标注语义的操作，更符合神经网络内部真实特性。