图像艺术风格迁移模型训练方法、系统及计算机程序

    公开(公告)号:CN120031707A

    公开(公告)日:2025-05-23

    申请号:CN202411873442.7

    申请日:2024-12-18

    Abstract: 本发明提供一种图像艺术风格迁移模型训练方法、系统及计算机程序,在模型训练过程中,各客户端本地的隐私数据并不产生交互,不会产生隐私泄露。模型基于描述目标风格转换要求的文本指令对原始的内容图像进行风格迁移,能够满足用户语言表述风格迁移需求的要求。每个客户端在本地进行个性化的训练,以重建损失和判别损失保证模型在艺术风格迁移能力上的准确性,通过与其他客户端交互个性化保留层并验证本地数据的风格迁移结果构建一致性损失对本地模型进行更新,提升了模型的泛化能力。在服务器聚合端对各客户端本地训练更新的模型参数进行聚合并重新分发,进行多轮迭代,服务器聚合端可以得到能够高效适应各种艺术风格迁移要求的模型。

    工业密集检测场景中目标检测模型训练方法、检测方法及系统

    公开(公告)号:CN118657976A

    公开(公告)日:2024-09-17

    申请号:CN202410656235.X

    申请日:2024-05-24

    Abstract: 本发明提供一种工业密集检测场景中目标检测模型训练方法、检测方法及系统,在分布式工业检测场景下,在每个检测场景中构造教师网络和学生网络间基于交并比损失、中心对齐损失、概率对齐损失和预测框大小一致性损失的一致性损失函数,构造学生网络针对附标签样本的标准监督损失,能够在少量标签数据的基础上结合大量无标签数据完成对模型的半监督训练。同时,针对多个检测场景引入联邦学习的形式,能够保证各端数据的隐私,指导模型学习复杂背景下多个目标。进一步的,引入费舍尔信息矩阵计算各场景学生网络的信息含量,并基于此设计弹性权重更新机制协调不同场景的数据分布差异,以优化模型更新的整体性能。

Patent Agency Ranking