[發明專利]基于目標屬性解耦的信息處理模型生成方法及相關設備

有效

• 申請號: 202010080705.4
• 申請日: 2020-02-05
• 公開（公告）號: CN111291810B
• 公開（公告）日: 2023-03-14
• 發明（設計）人: 解為成;溫志威;吳昊謙;沈琳琳
• 申請（專利權）人: 深圳大學
• 主分類號: G06F18/23213
• 分類號: G06F18/23213;G06F18/241;G06N3/0475;G06N3/08
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 溫宏梅;王永文

本發明提供了一種基于目標屬性解耦的信息處理模型生成方法及相關設備，通過獲取隱藏層輸出的特征圖，利用哈希編碼對特征圖編碼，得到各個特征圖對應的坐標值；根據所述坐標值對各個特征圖進行聚類得到特征圖組，分別計算各個特征圖組中的特征圖對應的正交損失和/或抑制損失，并根據計算出的所述正交損失和/或抑制損失得到模型總損失值，利用所述模型總損失值調整模型參數，重復上述步驟直至訓練完成，得到生成的信息處理模型。本實施例提供的方法通過挖掘潛層的語義屬性并構造聚類組的正交損失以減少屬性耦合，以及通過對處于相交區域中的特征圖做交集抑制以減少按屬性的交叉耦合，從減少特征圖之間的屬性耦合，提高了網絡的泛化能力。

技術領域

本發明涉及神經網絡技術領域，尤其涉及的是一種基于目標屬性解耦的信息處理模型生成方法及相關設備。

背景技術

自Goodfellow提出生成對抗網絡(GAN)以來，它已經在各種屬性編輯方面取得了令人印象深刻的性能，如表情編輯，風格遷移，發色變換，性別變換，年齡變換等。但是，由GAN的生成網絡中的特征圖交互產生的語義相關性可能會損害生成網絡的泛化能力。

當GAN從大量訓練數據集中學習時，特征圖很容易彼此高度耦合。但是，由于不同身份和數據集之間的耦合差異很大，因此從訓練數據集中學習到的高度耦合信息很難應用于測試數據集。同時，耦合信息使得難以獨立地編輯一個屬性，因為耦合易于同時影響其他屬性的生成，導致在屬性編輯的時候產生很多噪聲，影響生成效果。

為了減少不同特征圖之間的相關性，人們提出了各種網絡結構和損失函數。比如采用Gram-Schmidt正交化來減少節點之間的干擾，以提高網絡泛化能力，但是，對于具有大量節點或特征圖的網絡，按節點或按特征圖進行解耦效率低下的。

因此，現有技術有待于進一步的改進。

發明內容

鑒于上述現有技術中的不足之處，本發明的目的在于為用戶提供一種基于目標屬性解耦的信息處理模型生成方法及相關設備，克服現有技術中的網絡結構在屬性編輯時由于特征圖耦合影響生成效果，導致生成網絡的泛化能力差缺陷。

本發明解決技術問題所采用的技術方案如下：

第一方面，本實施例提供了一種基于目標屬性解耦的信息處理方法，其中，包括步驟：

將待處理樣本信息輸入至預設生成對抗網絡模型，并獲取所述生成對抗網絡模型的隱藏層輸出的特征圖；

利用哈希編碼對每個特征圖編碼，得到與各個特征圖對應的坐標值；

根據所述坐標值對各個特征圖進行聚類，得到至少兩個特征圖組；

分別計算各個特征圖組中的特征圖對應的正交損失和/或抑制損失，并根據計算出的所述正交損失和/或抑制損失得到模型總損失值；

根據模型總損失值調整所述生成對抗網絡模型的模型參數，并重復將待處理樣本信息輸入至預設生成對抗網絡模型至所述根據計算出的所述正交損失和/或抑制損失得到模型總損失值的步驟，直至計算出的所述網絡總損失值滿足預設條件，得到訓練完成的信息處理模型。

可選的，所述分別計算各個特征圖組中的特征圖對應的正交損失和/或抑制損失，并根據計算出的所述正交損失和/或抑制損失得到模型總損失值的步驟包括：

計算各個特征組內特征圖之間的正交損失，根據所述正交損失得到模型總損失值；

和/或，計算各個特征圖組中處于交集的特征圖對應的抑制損失，根據所述抑制損失得到模型總損失值。

可選的，所述利用哈希編碼對每個特征圖編碼，得到與各個特征圖對應的坐標值的步驟包括：

對各個特征圖取區域平均后得到的平均特征圖，利用所述平均特征圖進行哈希編碼得到各個特征圖的坐標值。