一种基于产生式对抗学习网络的领域学习方法，包括以下步骤：1)收集源域人脸图像集，用人脸检测器定位人脸位置并抠出人脸图像；2)构建产生式神经网络G，输入输出为相同分辨率的人脸图像，其中输入为收集的特定应用场景人脸图像，输出为转换后的图像；3)构建分类神经网络D，运用卷积神经网络神经元，输入为产生式神经网络的输出图像和人脸分类器的训练图像，输出为两种输入图像的分类；4)采用异步方式迭代训练产生式神经网络G和分类神经网络D；5)在指定场景进行人脸识别时，先将输入人脸图像I进行转换G(I)，将转换后的人脸图像输入人脸识别模块得到人脸识别的结果。本发明对通用人脸识别器适应能力较强、数据成本较低。
📄 2018103720163
📂 G06K9_62
👤 浙江工业大学
📅 2018-04-24
本发明公开基于对抗学习和序列推荐的知识追踪方法及系统，涉及信息推送领域。本发明包括，将学习内容按照教学顺序进行拆分排列得到知识点序列以及知识点序列中每个知识点的编号；按照每个用户的知识点的学习进度将用户划分为若干个用户组；在每个用户组内，获取部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号；通过预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号；将部分用户主动选择复习的遗忘知识点的编号和待学习知识点的编号以及预测生成器生成用户的遗忘知识点的编号和待学习知识点的编号输入判别器，得到预测生成器输出层的准确率。本发明提高了对不同用户的知识点推送的准确度。
📄 202310368613X
📂 G06F16_9535
👤 西南大学
📅 2023-04-07
本发明公开了基于新型对抗学习去模糊理论的动态人脸识别方法，提升了生成对抗网络的训练速度，避免了找不到纳什平衡点陷入死循环的问题，利用这种新型生成对抗网络对原始模糊图片进行去模糊处理；然后对去模糊后的图片进行模糊度变化率计算，根据模糊度变化率对去模糊后的图片进行分类，对于变化率过高或过低的图片直接进行人脸识别，对于变化率不高且不低的图片添加去模糊后处理模块后再进行人脸识别；本发明采用了新型DeblurGAN_V2对图像进行去模糊操作，提出了新的训练截止方法，解决了生成对抗网络模型训练困难的问题，引入了人脸模糊度计算方法对于输出的图片分类操作，添加了去模糊后处理优化结果，有广阔的应用场景。
📄 2022103521842
📂 G06V40_16
👤 南京邮电大学
📅 2022-04-03
本发明公开的一种基于对抗学习的多光谱眼底图像分析方法及系统，包括：获取多光谱眼底图像，包括有血管标签图像和无血管标签图像；将多光谱眼底图像输入至训练好的眼底图像分析模型中，获取多光谱眼底图像的配准结果；其中，眼底图像分析模型包括眼底图像配准模型和视网膜血管分割模型，训练时，眼底图像配准模型和视网膜血管分割模型分别采用有血管标签图像进行单独训练；眼底图像配准模型和视网膜血管分割模型根据无血管标签图像进行对抗学习。眼底图像配准模型和视网膜血管分割模型除通过有血管标签图像进行单独训练外，还能够根据无血管标签图像进行对抗学习，提高了图像配准和血管分割的精度。
📄 2020110065718
📂 G06T7_33
👤 山东师范大学
📅 2020-09-23
本发明提供的基于拟态对抗学习机制的现场态势未来引导技术，是在拟态环境中，通常是类真实世界的模拟，通过图像数据建立样本，使用卷积神经网络作为深度学习或深度强化学习中的基础模型可以保证模型能够捕捉到当前环境态势的特征信息。同时，基于对抗样本的学习方法在模型训练过程中生成特定的面向识别模型的攻击样本，用于模型的训练，这种方法只需要少量的标注样本，利用梯度反转层以及领域判别器来实现样本数据的领域迁移，极大减少标注成本，还可以增强模型的鲁棒性，并且提高模型的泛化能力。
📄 2019109574216
📂 G06F30_27
👤 南京摄星智能科技有限公司
📅 2019-10-10
本发明涉及一种基于对抗学习的高光谱和激光雷达多层融合分类方法，与现有技术相比解决了监督学习模型的分类性能严重依赖训练样本的数量及质量和多模态数据融合不充分的问题。本发明包括以下步骤：高光谱和激光雷达数据的特征提取；多注意力的对抗性学习；多层次特征融合分类。本发明基于高光谱数据可以表征物体的光谱和空间特征，但是，很难区分相似光谱特征但高程信息不同的物体和激光雷达数据具有三维信息和高度信息的特点，提出用三支路提取数据特征，利用对抗性网络学习无标签数据的特征，并采用多注意力层次融合多模态特征进入分类网络，有效地解决了多模态数据融合分类问题，提高了分类的准确性和效率。
📄 2024103307405
📂 G06V10_764
👤 安徽大学
📅 2024-03-22
本发明提供了一种基于协作式边界感知对抗学习的跨库语音情感识别方法，包括：步骤1，获取源域与目标域语音样本，执行预处理；步骤2，构建基于协作式边界感知对抗学习的跨库语音情感识别模型，从特征分布和决策边界双维度减少源域和目标域语音样本之间的差异，实现情感知识迁移；步骤3，采用多阶段训练策略，所述多阶段训练策略包括第一阶段训练、第二阶段训练和第三阶段训练，采用最大最小化差异检测损失函数，获取所有由于决策边界差异导致的情感标签错误映射的目标域语音样本，调整类别间决策边界。本方法在减少领域间特征分布差异的同时，创新性地解决了跨库语音情感识别中决策边界错位问题。
📄 202511032472X
📂 G10L25_63
👤 南京信息工程大学
📅 2025-07-25
本发明公开一种基于对抗学习的医学图像配准方法及系统，包括：获取医学图像对，包括浮动图像和固定图像；构建对抗学习网络模型，包括生成网络和判别器；对医学图像对通过生成网络得到形变场和经形变场形变后的浮动图像；对形变后的浮动图像和固定图像通过判别器进行真假判断和相似性判断；将真假判断结果和相似性判断结果反馈至生成网络后，对形变场进行优化；根据优化后的形变场对待配准医学图像进行配准。采用生成网络生成形变场和形变后的图像，采用一个判别器网络判断输入图像真假，采用另一个判别器网络判断形变后的图像与固定图像的相似值，使变形后的图像更接近固定图像，在没有医学图像金标准的情况下，实现无监督的图像配准任务。
📄 2021102010120
📂 G06T7_33
👤 临沂大学
📅 2021-02-23
本发明提出了一种利用词屏蔽数据增强与对抗学习的特定目标情感分析方法，包括以下步骤：S1，运用屏蔽目标实体的方式对句子进行同义词替换和随机插入单词生成有效的样本并与原始样本进行融合，从而实现词屏蔽数据增强；S2，构建了基于BERT‑BASE的对抗学习特定目标情感分类模型，运用干净样本和对抗样本一起训练情感分类模型，使模型具有对抗防御的功能；S3，分别将原始样本和数据增强后的样本进行对抗学习。本发明采用了数据增强与对抗训练，具有较强鲁棒性，能够取得更优的结果。
📄 202110999220X
📂 G06F18_24
👤 重庆跃途科技有限公司
📅 2021-08-28
本发明提出了一种融合词屏蔽数据增强与对抗学习的特定目标情感分析方法，包括以下步骤：S1，运用屏蔽目标实体的方式对句子进行同义词替换和随机插入单词生成有效的样本并与原始样本进行融合，从而实现词屏蔽数据增强；S2，构建了基于BERT‑BASE的对抗学习特定目标情感分类模型，运用干净样本和对抗样本一起训练情感分类模型，使模型具有对抗防御的功能；S3，分别将原始样本和数据增强后的样本进行对抗学习。本发明采用了数据增强与对抗训练，具有较强鲁棒性，能够取得更优的结果。
📄 2021109992197
📂 G06F40_211
👤 重庆理工大学
📅 2021-08-28
本发明为一种基于Fredholm学习和对抗学习的域适应方法，所述方法包括：特征提取，对源域数据Xs和目标域数据Xt用同一个特征提取器提取特征；领域鉴别，在得到被提取特征后，要鉴别这些特征属于哪个域；其中，所述领域鉴别分为两个阶段：(1)Fredholm特征的获取；(2)域鉴别器进行鉴别；样本分类，使用两个分类器，分类模块接收特征提取器提取到的特征，输入到全连接层中计算，并经过softmax后分别从源域分类器Cs和目标域分类器Ct输出分类结果。本发明的有益效果在于，提出的基于Fredholm学习和对抗学习的域适应方法在图像分类上能够达到更好的分类效果。
📄 2020105123234
📂 G06N20_00
👤 中山大学
📅 2020-06-08
本发明公开了一种基于对抗学习的混合动力卡车队列经验传授方法，包括对混合动力卡车A的控制器进行原始工况提取并对所述原始工况进行参数处理；利用所述参数处理后的数据以及对抗网络学习生成工况和SOC轨迹图，并与真实数据进行拟合度判别；进行所述拟合度判别的循环训练，若无法判别所述生成工况和SOC轨迹图与真实数据时，达到最优。利用对抗网络学习，使混合动力卡车B和C的整车控制器掌握不同工况最优SOC轨迹，提高车队等效燃油经济性，进而实现通过对抗学习进行卡车队列经验传授。
📄 2020116188694
📂 G06F30_27
👤 合肥名龙电子科技有限公司
📅 2020-12-30
柿子坊 · 知识产权运营
柿子坊知识产权运营平台