用于训练用于生成图像的机器学习系统的设备和方法技术方案

用于训练机器学习系统（60）的计算机实现方法，其中所述机器学习系统（60）包括被配置成生成至少一个图像（x1）的生成器（61），所述用于训练的方法包括下述步骤：

【技术实现步骤摘要】
用于训练用于生成图像的机器学习系统的设备和方法


[0001]本专利技术涉及一种训练机器学习系统的方法、一种用于执行用于训练的方法的设备、一种机器学习系统、一种计算机程序和一种机器可读储存介质。

技术介绍

[0002]在https://arxiv.org/abs/1905.01164v2处在线可得的Shaham等人的“SinGAN: Learning a Generative Model from a Single Natural Image”, 02.05.2019公开了一种用于训练生成式对抗网络的方法。

技术实现思路

[0003]本专利技术的优势现代图像分类器（尤其是基于神经网络的那些）要求用于训练和用于测试两者的大量图像。已知的是，考虑到新图像示出了多样的内容，图像分类器的性能（即，分类准确度）随训练图像的量的增加而提高。同样地，更多测试数据提高了正确地预测图像分类器的泛化性能的置信度，即，它的正确地对新的和/或未见的数据进行分类的能力。
[0004]然而，获得增加的量的训练图像一般是耗时且高成本的努力，这是由于必须本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于训练机器学习系统（60）的计算机实现方法，其中所述机器学习系统（60）包括被配置成生成至少一个图像（x1）的生成器（61），所述用于训练的方法包括下述步骤：
· 由所述生成器（61）基于至少一个随机抽取的值（z）来生成第一图像（x1）；
· 由所述机器学习系统（60）的鉴别器（62）确定表征所述第一图像（x1）的两个分类（y
c
、y
l
）的第一输出，并由所述鉴别器（60）确定表征所提供的第二图像（x2）的两个分类（y
c
、y
l
）的第二输出，其中所述鉴别器（62）被配置成根据以下步骤来确定针对所供给的图像（x1、x2）的输出：
‑ꢀ
确定所供给的图像（x1、x2）的中间表示（i）；
‑ꢀ
通过将全局池化操作应用于所述中间表示（i）来确定所供给的图像（x1、x2）的内容表示（c）；
‑ꢀ
通过将卷积操作应用于所述中间表示（i）来确定所供给的图像（x1、x2）的布局表示（o）；
‑ꢀ
确定表征所述内容表示（c）的分类的内容值（y
c
）和表征所述布局表示（o）的分类的布局值（y
l
），并在针对所供给的图像（x1、x2）的输出中提供所述内容值（y
c
）和布局值（y
l
）；
· 训练所述鉴别器（62），使得所述第一输出中的内容值（y
c
）和布局值（y
l
）表征到第一类中的分类，并且使得所述第二输出中的内容值（y
c
）和布局值（y
l
）表征到第二类中的分类；
· 训练所述生成器（61），使得所述第一输出中的内容值（y
c
）和布局值（y
l
）表征到所述第二类中的分类。2.根据权利要求1所述的方法，其中所述卷积操作基于单个过滤器。3.根据权利要求1或2所述的方法，其中所述中间表示（i）是凭借至少一个第一神经网络块（R1）基于所供给的图像（x1、x2）来确定的，所述至少...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：罗伯特，
类型：发明
国别省市：