CN114332565B 一种基于分布估计的条件生成对抗网络文本生成图像方法 （杭州电子科技大学）_第1页
CN114332565B 一种基于分布估计的条件生成对抗网络文本生成图像方法 （杭州电子科技大学）_第2页
CN114332565B 一种基于分布估计的条件生成对抗网络文本生成图像方法 （杭州电子科技大学）_第3页
CN114332565B 一种基于分布估计的条件生成对抗网络文本生成图像方法 （杭州电子科技大学）_第4页
CN114332565B 一种基于分布估计的条件生成对抗网络文本生成图像方法 （杭州电子科技大学）_第5页
已阅读5页，还剩18页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于分布估计的条件生成对抗网络文本发明公开了一种基于分布估计的条件生步骤(2)、建立多阶段的无条件和有条件联合生22-1采用DM-GAN作为基准模型，多阶段的层叠网络通过堆叠生成器和判别器来提高图辨率的图像的分别率大小分别是64×64,128×128和2相应的第i个阶段的生成器Gi的损失也是由两部为了实现对单个文本描述生成的图像进行整体优化，使用之前推导出的新的损失函c分别是无条件和有条件生成对抗神经网络的判别器网络最后一层的3条件生成对抗神经网络的判别器网络最后一层的权重和偏差；和分别是特征和最后根据引入概率分布来构成损失函数，对每个阶段的判别器Di和生成器Gi都使用基2.根据权利要求1所述的一种基于分布估计的条件生成对抗网络文本生成图像方法，COCO由大约123k张图像组成，每张图像有5个描述；其中80k的图像被划分为训练集，对数据集中的自然语言文本描述进行文本特征集合的提取，使用一个45[0001]本发明提到了一种基于分布估计的条件生成对抗神经网络(c[0004]从文本的描述生成图像(T2I)是一种复杂的计算机视觉和机器学习的任务，在多[0005]使用基于条件生成对抗神经网络(cGAN)是实现文本生成图像(T2I)的一种主流方仍存在不少质量较差的图像，且许多方法的定量结果也很难复现(即使提供代码和模型)。6双向长短期记忆网络BiLSTM从自然语言文本描述中提取语义特征，形成每个单词的特征，[0014]步骤(2)、建立多阶段的无条件和有条件联合生成对抗神经网络(Conditional步骤(1)中提取的文本特征集合作为条件变量输入到生成器和判别器中，指导生成器生成[0018]将步骤(2)中的损失函数换成基于分布估计的新损失函数。将基于分布估计的新7[0027]2-1采用DM-GAN作为基准模型，多阶段的层叠网络通过堆叠生成器和判别器来提[0028]2-2联合有条件和无条件生成对抗神经网络共同训练，模型的目标函数包含两项[0032]其中xi是来自第i个阶段真实图像分布pdatai的图像，si是生成器[0034]3-1为实现对单个文本描述生成的图像进行整体优化，通过生成大量的同一文本89和有条件生成对抗神经网络的判别器网络最后一层的权重和偏差。和分别是[0057]训练结束保存的生成器模型，可以根据指定的文本描述生相对应的高分辨率图特征的概率分布来优化网络的机制。该损失隐式地体现了单个文本生成无限次图像的影[0070]2-1采用DM-GAN作为基准模型，多阶段的层叠网络通过堆叠生成器和判别器来提i生成多阶段分辨率的图像,=G,(h)。房(i=0,1,2)的分别率大小分别是64×64,128×[0072]2-2联合有条件和无条件生成对抗神经网络共同训练，模型的目标函数包含两项[0093]训练结束保存的生成器模型，可以根据指定的文本描述生相对应的高分辨率图[0095]表1展示的是采用基于分布估计条件生成对抗网络(DM-GAN+DE)及其

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论