申请/专利权人:哈尔滨工程大学
申请日:2023-10-19
公开(公告)日:2024-03-08
公开(公告)号:CN117671408A
主分类号:G06V10/774
分类号:G06V10/774;G06V10/764;G06V10/82;G06T3/04;G06N3/045;G06N3/0455;G06N3/0464;G06N3/0475;G06N3/094
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.03.26#实质审查的生效;2024.03.08#公开
摘要:本发明涉及训练集扩充技术领域,具体说是训练集扩充技术多类别循环生成对抗方法,包括:采用生成式模型扩充训练样本;引入外源信息可以降低生成模型过拟合现象,提升分类神经网络的分类精度;但由于水下数据的稀少,采用传统的生成方式,仅依据原有的数据进行扩充,难以起到很好的效果;为了更好的扩充数据,本技术提出M‑CycleGAN网络来对训练集进行扩充;构建3D模型图像数据集,引入外源的分类目标信息,辅助生成模型生成与分类数据集相似的新数据。
主权项:1.训练集扩充技术多类别循环生成对抗方法;其特征在于,包括:该对抗方法采用CycleGAN网络将构建的3D图片数据集迁移成声纳图片风格,所述CycleGAN网络根据分类数据中包含的不同类别的数量进行设计,且所述分类数据包括M-CycleGAN2模型,且分类数据包括分类数据集A和分类数据集B;所述M-CycleGAN2模型主要包含两个CycleGAN网络以及类别判别器,该类别判别器的模型结构与CycleGAN网络中的判别器结构相同,其目的是计算不同类别间的差异。
全文数据:
权利要求:
百度查询: 哈尔滨工程大学 训练集扩充技术多类别循环生成对抗方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。