专利交易市场

一种基于半监督对抗生成网络的迁移检索方法，通过设计对抗生成网络进行跨数据域的哈希检索，其目标是将原始数据集和目标数据集映射到一个共同的汉明空间，使得在一个特定场景中图像检索通过半监督对抗生成网络的学习可迁移到另一场景的检索图像中，从而解决大数据时代下无法充分利用未标记的数据和检索模型只适合单一场景的问题。本发明有效提高图像检索的自动化和智能化水平。

一种基于深度卷积对抗生成网络的皮肤病图像的生成方法，包括以下步骤：步骤1：对原始训练数据的预处理，对原始训练数据进行分割，得到皮肤病变区域的分割图片；步骤2：深度卷积对抗生成网络结构的建立，使用卷积神经网络来进行分别构建生成器和判别器；步骤3：设定生成网络和分类网络的输入；步骤4：优化目标的设定，对于判别器来说，判别器负责对真假样本进行分类，生成器生成的样本为假，实际输入的真实样本为真，最小化分类误差；对于生成器来说，生成器尽可能的去生成和真实样本一样的假样本；步骤5：网络的训练。本发明利用人工分割出来的皮损样本作为对抗生成网络的训练样本，然后使用对抗生成网络来生成新的皮肤病样本。

本发明公开了一种基于对抗生成网络的无参考图像质量地图生成方法。本发明在生成网络部分采用8个下采样和8个上采样的U-net网络框架；在判别网络部分采用分类网络；在损失函数部分采用判别器的交叉熵加L1范数损失的方式；最后迭代训练出一个生成网络模型，通过该生成网络模型获取输入失真图的相似图，通过相似图，得到对应的质量分数。本发明无参考质量评价。通过使用训练好的神经网络框架，在没有自然图像的条件下对失真图像进行质量评价。解决了有权重问题的相似图的质量分数计算问题。基于对抗生成网络和U-net，更有效的实现了图到图的转换和迁移。实验结果在图到图的实现中有较好的结果，且模拟到的质量分数和真实的质量分数有强烈相关性和较小误差。

本发明公开了一种基于多域循环一致性对抗生成网络的SAR图像上色方法，包括步骤：从数据集中随机抽取一对非成对的SAR图像和光学图像并转化为特征向量，网络采用双生成器和双判别器结构，SAR图像特征向量连接掩模向量经过生成器的常规卷积、残差卷积、上采样操作，生成伪光学图像，相同步骤从光学图像得到伪SAR图像，由伪光学图像和光学图像以及伪SAR图像和SAR图像通过判别器输出，由对抗损失、循环一致损失和多域分类损失对生成器和判别器进行对抗训练，由训练后的生成器根据SAR图像生成上色的光学图像。本发明方法可使用非成对数据集进行训练，并减少区域上色错误。

本发明属于图像处理与计算机视觉技术领域，涉及一种基于对抗生成网络的红外和可见光图像检索方法，包括将相同场景下的红外图像和可见光图像固定到同样的大小拼接在一起；将拼接的图像送入对抗生成网络进行训练，获得红外生成图像和可见光生成图像；将拼接的图像送入实例分割网络，计算图像中人的数量以及红外图像与可见光图像中的人数差，根据平均人数差，指定人数差的允许范围；对人数差在允许范围内的红外图像和可见光图像的图像特征进行欧式距离计算，根据欧式距离从小到大排序得到检索结果；本发明克服了红外图像和可见光图像的视觉差异，在仅需要提供场景配对图片的情况下，有效的将具有相同语义的红外图像和可见光图像进行匹配和检索。