基于对抗解耦的个性化手写文字生成方法技术

本发明专利技术公开了基于对抗解耦的个性化手写文字生成方法，包括以下步骤：构建风格向量提取器和内容分类器；以所述的风格向量提取器为生成器，以所述的内容分类器为判别器，进行生成对抗学习；将手写文字图片输入学习后的风格向量提取器，获得手写风格向量；将待生成的目标文字通过内容嵌入层映射为内容向量；拼接所述的手写风格向量和所述的内容向量，然后在融合初始序列，获得解码向量；将所述的解码向量输入解码器进行解码，获得具有手写风格的目标文字的轨迹预测序列。本发明专利技术方法能够通过对抗解耦的方式，利用对抗网络帮助风格提取器消除风格向量中夹杂的内容信息，提取出干净的风格向量，进而提升个性化手写文字的生成效果。进而提升个性化手写文字的生成效果。进而提升个性化手写文字的生成效果。

【技术实现步骤摘要】
基于对抗解耦的个性化手写文字生成方法


[0001]本专利技术涉及生成对抗神经网络
，尤其涉及基于对抗解耦的个性化手写文字生成方法。

技术介绍

[0002]手写文字是人们展示自我的信息载体，属于人的生物特征。手写文字具有商业应用价值，高效的手写文字生成方法可以大幅减少字体设计师的成本。同时，手写文字趣味性十足，能满足人们的个性化需求。
[0003]近年来，随着深度学习领域的发展，手写文字生成领域也得到了一定的发展。在字母型语言中，手写文字生成领域已经提出了较多方法，但是由于中文庞大的常用字典，以及汉字复杂的拓扑结构，中文的手写文字生成还未能达到非常好的效果。因此，如何能够有效地提高中文手写文字的生成效果，仍是待研究的问题。
[0004]现有的手写文字生成技术基本上都是基于风格提取的方法，即使用CNN网络单独对手写者的少量手写文字图片进行风格向量的提取，后续再对此向量做进一步的融合利用。但是仅仅用CNN网络提取风格向量并不能保证提取出的向量仅包含风格信息。提取出的风格信息中可能夹杂了部分内容信息，这会干扰后续对风格信息的利用。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于对抗解耦的个性化手写文字生成方法，其特征在于，包括以下步骤：步骤1，构建风格向量提取器和内容分类器；步骤2，以所述的风格向量提取器为生成器，以所述的内容分类器为判别器，进行生成对抗学习；步骤3，将手写文字图片输入学习后的风格向量提取器，获得手写风格向量；步骤4，将待生成的目标文字通过内容嵌入层映射为内容向量；步骤5，拼接所述的手写风格向量和所述的内容向量，然后再融合初始序列，获得解码向量，即，其中代表在第二维上拼接，初始序列为：在训练时为手写文字图片对应的真实轨迹序列，在测试时为解码器预测的轨迹序列；步骤6，将所述的解码向量输入解码器进行解码，获得具有手写风格的目标文字的轨迹预测序列。2.根据权利要求1所述的基于对抗解耦的个性化手写文字生成方法，其特征在于，步骤2中所述的对抗学习的过程为：交叉多轮训练判别器和生成器；每轮训练过程中，判别器的训练频次大于生成器的训练频次；训练判别器的时候仅更新判别器的参数，训练生成器的时候更新除判别器以外的模型的参数。3.根据权利要求2所述的基于对抗解耦的个性化手写文字生成方法，其特征在于，步骤2中所述的对抗学习的过程中，所述的生成器的损失函数为：其中，表示坐标损失函数，表示坐标损失函数，表示状态损失函数，表示判别器损失函数，表示判别器损失函数的权重；所述的坐标损失函数的计算公式为：其中，表示文字对应的轨迹序列的真实x坐标，表示解码器预测轨迹序列的x坐标，n表示序列点长度，表示绝对值；所述的坐标损失函数的计算公式为：其中，表示文字对应的轨迹序列的真实y坐标，表示解码器预测轨
迹序列的y坐标；所述的状态损失函数的计算公式为：其中，为第i个真实状态标签的onehot编码，为解码器输出的经过softmax的第i个概率值，k=3，表示三个状态，每个轨迹点对应三个状态为：下笔、抬笔、起笔；所述的判别器损失函数的计算公...

【专利技术属性】
技术研发人员：黄双萍，王庆丰，代港，
申请(专利权)人：人工智能与数字经济广东省实验室广州，
类型：发明
国别省市：