-
公开(公告)号：CN109544442B
公开(公告)日：2023-05-23
申请号：CN201811337511.7
申请日：2018-11-12
Applicant: 南京邮电大学
IPC: G06T3/00 , G06N3/0475 , G06N3/094
Abstract: 本发明揭示了一种基于双重对抗的生成式对抗网络的图像局部风格迁移方法，包括如下步骤：S1、采集两类图像；S2、对所采集的两类图像进行预处理；S3、构建带有自注意力机制的双重对抗网络，将经过预处理的两类图像分别输入双重对抗网络的最小化的损失函数中，对双重对抗网络进行训练；S4、将经过训练的双重对抗网络中的生成器作为两类图像局部风格迁移的工具，并应用于实测。本发明的技术方案基于双重对抗的自注意力生成式对抗网络，能够使得局部特征的图到图转换更加聚焦于局部特征，方法使用效果优异。
-
公开(公告)号：CN109993100B
公开(公告)日：2022-09-20
申请号：CN201910240401.7
申请日：2019-03-27
Applicant: 南京邮电大学
IPC: G06V40/16 , G06V10/40 , G06V10/762 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明揭示了一种基于深层特征聚类的人脸表情识别的实现方法，该方法包括以下步骤：S1：采集各种人脸表情图片，并根据人脸表情逐一分类；S2：图片预处理，去除模糊照片，再用基于卷积神经网络的级联多任务人脸检测算法得到人脸关键点，并根据关键点统一裁剪人脸图片；S3：构建基于卷积神经网络的人脸表情识别网络，并将预处理后的人脸表情图片分别输入网络当中计算损失函数并进行训练；S4：获取训练好的人脸表情识别网络，并应用于实测。该方法解决了人脸表情识别精确率较低和过拟合等问题。
-
Patent Agency Ranking
公开(公告)号：CN110008846B
公开(公告)日：2022-08-30
申请号：CN201910186966.1
申请日：2019-03-13
Applicant: 南京邮电大学
Abstract: 本发明公开了图像处理技术领域的一种图像转化处理方法，旨在解决现有技术中基于循环生成式对抗网络的图像处理方法在对图像局部特征迁移过程中，往往不能聚焦于局部特征和存在条纹状噪声，容易出现图片整体颜色改变的技术问题。所述方法包括如下步骤：采集包含处理特征的真实图像和不包含处理特征的真实图像，构建训练样本；将训练样本输入至循环生成式对抗网络中，以预构建的损失函数最小为目标训练所述循环生成式对抗网络，所述损失函数包括全变分正则化损失函数；采用训练好的循环生成式对抗网络对待处理图像进行处理。
-
公开(公告)号：CN110008846A
公开(公告)日：2019-07-12
申请号：CN201910186966.1
申请日：2019-03-13
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 本发明公开了图像处理技术领域的一种图像转化处理方法，旨在解决现有技术中基于循环生成式对抗网络的图像处理方法在对图像局部特征迁移过程中，往往不能聚焦于局部特征和存在条纹状噪声，容易出现图片整体颜色改变的技术问题。所述方法包括如下步骤：采集包含处理特征的真实图像和不包含处理特征的真实图像，构建训练样本；将训练样本输入至循环生成式对抗网络中，以预构建的损失函数最小为目标训练所述循环生成式对抗网络，所述损失函数包括全变分正则化损失函数；采用训练好的循环生成式对抗网络对待处理图像进行处理。
-
公开(公告)号：CN109544442A
公开(公告)日：2019-03-29
申请号：CN201811337511.7
申请日：2018-11-12
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种基于双重对抗的生成式对抗网络的图像局部风格迁移方法，包括如下步骤：S1、采集两类图像；S2、对所采集的两类图像进行预处理；S3、构建带有自注意力机制的双重对抗网络，将经过预处理的两类图像分别输入双重对抗网络的最小化的损失函数中，对双重对抗网络进行训练；S4、将经过训练的双重对抗网络中的生成器作为两类图像局部风格迁移的工具，并应用于实测。本发明的技术方案基于双重对抗的自注意力生成式对抗网络，能够使得局部特征的图到图转换更加聚焦于局部特征，方法使用效果优异。
-
公开(公告)号：CN110084121A
公开(公告)日：2019-08-02
申请号：CN201910240461.9
申请日：2019-03-27
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种基于谱归一化的循环生成式对抗网络的人脸表情迁移的实现方法，该方法包括以下步骤：S1：采集各种人脸表情图片，并根据人脸表情逐一分类；S2：图片预处理，去除模糊照片，再用人脸检测算法得到人脸五个关键点，并根据关键点统一裁剪人脸图片；S3：构建生成器和判别器组成的循环生成式对抗网络，并将两类预处理后的图片分别输入网络当中计算损失函数并进行训练；S4：获取训练好的生成器作为人脸表情迁移的工具，并应用于实测。基于谱归一化的循环生成式对抗网络能够使得一个生成器实现多种人脸表情迁移，并且生成的人脸表情能够更加自然，有较好地鲁棒性。
-
公开(公告)号：CN109993100A
公开(公告)日：2019-07-09
申请号：CN201910240401.7
申请日：2019-03-27
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种基于深层特征聚类的人脸表情识别的实现方法，该方法包括以下步骤：S1：采集各种人脸表情图片，并根据人脸表情逐一分类；S2：图片预处理，去除模糊照片，再用基于卷积神经网络的级联多任务人脸检测算法得到人脸关键点，并根据关键点统一裁剪人脸图片；S3：构建基于卷积神经网络的人脸表情识别网络，并将预处理后的人脸表情图片分别输入网络当中计算损失函数并进行训练；S4：获取训练好的人脸表情识别网络，并应用于实测。该方法解决了人脸表情识别精确率较低和过拟合等问题。
-
-
-
-
-
-
Search Results
7
records
(took 0.024 seconds)
