本发明公开了一种生成式对抗网络的情感语音自动生成方法，包括：(1)准备语音数据集、语音情感数据集以及语言数据集；(2)利用语音数据集训练基于ResCNN构建的声纹识别模型，利用语音情感数据集训练基于CNN构建的语音情感识别模型，利用语言数据集训练语音生成模型；(3)以多个语音生成模型作为生成器，以声纹识别模型和语音情感识别模型作为判别器，构成生成式对抗网络，利用语音数据集、语音情感数据集以及语言数据集对生成式对抗网络进行再训练，获得能够生成特定身份特定情感语音的语音生成模型。(4)利用该语音生成模型自动生成情感语音。该方法可以使生成的语音更加自然且带有情感色彩身份信息。
📄 2020101114344
📂 G10L13_02
👤 浙江工业大学
📅 2020-02-24
本发明公开了一种基于生成式对抗网络的多任务分类消歧方法与装置，包括：(1)获取文本数据并构建样本集；(2)基于生成式对抗网络构建训练系统，包括用于根据样本数据预测信用水平的第一分类器，用于根据样本数据预测收入水平的第二分类器，用于根据信用标签、收入标签、信用水平预测结果、收入水平预测结果生成编码向量的生成器；(3)根据交叉熵损失构建生成器、第一分类器和第二分类器的损失函数；(4)利用损失函数对训练系统进行训练，并将第一分类器形成信用预测模型，第二分类器形成收入预测模型；(5)将文本数据编码成文本向量后输入至信用预测模型和收入预测模型中，经计算获得信用预测结果和收入预测结果。
📄 2020107461841
📂 G06F16_35
👤 浙江工业大学
📅 2020-07-29
本发明提供了一种基于生成式对抗网络的通信协议漏洞挖掘方法及系统，其方法包括：基于预设消息训练数据集对前向反馈网络以及支持向量机进行混合训练，生成生成式对抗网络；基于生成式对抗网络生成有效测试数据，将有效测试数据输入至目标测试系统中进行运行，判断目标测试系统是否存在异常；当确定目标测试系统存在异常时，通过异常检测结果，判断所述异常是否为通信协议导致的异常，若是，则对通信协议进行漏洞挖掘。本发明基于生成式对抗网络生成有效测试数据，基于有效测试数据对目标系统进行通信协议漏洞挖掘，在无需协议的任何结构知识的前提下辅助完成通信协议漏洞挖掘，有效提高了通信协议漏洞挖掘地效率和安全性。
📄 2024107959770
📂 H04L43_18
👤 盐城工学院, 盐城工学院技术转移中心有限公司
📅 2024-06-20
本发明涉及具体涉及一种基于生成式对抗网络的桥梁裂缝图像判别修复方法，首先将含障碍物的裂缝图像进行障碍物位置标定，建立二进制掩膜M和反向掩膜(1-M)，然后生成器对随机向量Z进行生成操作，得到候选修复样本集；再次，覆盖二进制掩膜M，记录语义损失，又将候选修复样本输入到判别器中得到感知损失。筛选最优向量，再对最优向量加反向掩膜后拼接。将拼接后的新图像重新输入到判别器中得到的全局损失回传，不断迭代完成循环修复操作。本发明的循环修复方法不仅考虑到了修复图像的整体真实性，同时不需要创立新的整体判别网络，降低了试验的复杂度并避免了不同网络结构间信息回传的问题。
📄 2018101822302
📂 G06T7_00
👤 陕西师范大学
📅 2018-03-06
本发明涉及一种基于生成式对抗网络的桥梁裂缝图像的修复方法，本发明的修复掩膜加入了距离权重，包括一种基于距离的距离加权修复掩膜Md，以及反向距离加权修复掩膜 由于待修复区域边缘的像素对应权值更大，在图像修复过程中占更加重要的地位，故与待修复图像的像素分布存在差异时惩罚力度应更大，因此当搜索到的补全图像与受损图像的像素分布差值(加权语义损失)为同一值时，待修复区域边缘的像素分布与最优向量的形态分布更加逼近受损图像，从而提高了补全图像边缘的连续性。
📄 2018101824469
📂 G06T5_50
👤 陕西师范大学
📅 2018-03-06
本发明属于生成式对抗网络技术领域，具体涉及一种基于径向基函数的气动建模生成式对抗网络模型训练方法，设计气动数据的生成和回归。该模型在传统生成式对抗网络模型基础上，引入径向基神经网络，从而将传统的基于拟合的生成式对抗网络变为基于差值的生成式对抗网络，同时实现对非线性气动数据的回归和生成。
📄 2020115180835
📂 G06F30_27
👤 电子科技大学
📅 2020-12-21
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。
📄 2018113375117
📂 G06T3_00
👤 南京邮电大学
📅 2018-11-12
本发明公开了一种基于生成式对抗网络的超分辨率图像修复方法，具体为：步骤1，收集整理真实图像数据，将收集到的图像处理成尺寸相同的图像，将处理后的尺寸相同的图像组成训练数据集；步骤2，构建生成式对抗网络模型，其包括生成器和判别器；步骤3，将训练数据集中的每一张图像打上大小相同的掩膜，得到待修复图像，将待修复图像导入生成式对抗网络模型，并采用弱监督学习方式对生成式对抗网络模型进行训练，得到训练后图像；步骤4，将训练图像输入到U-Net生成网络中对训练后的待修复图像进行修复，输出修复好的高分辨率图像。解决了现有技术中存在的图像大面积缺失修复后分辨率低的现象、视觉效果不连贯的问题。
📄 2019109637906
📂 G06T5_00
👤 西安工程大学
📅 2019-10-11
柿子坊 · 知识产权运营
柿子坊知识产权运营平台