[發明專利]對抗支持向量機

有效

• 申請號: 202010424527.2
• 申請日: 2020-05-19
• 公開（公告）號: CN111597338B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 項陽;張軍;王宇
• 申請（專利權）人: 杭州英視信息科技有限公司
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06N3/045;G06N3/0475;G06N3/094;G06N3/098;G06F16/35;G06F16/36
• 代理公司: 北京君莫知識產權代理事務所(普通合伙) 11715
• 代理人: 王凝

1.一種基于生成對抗網絡模型的文本圖像向量處理系統，所述文本圖像向量處理系統包括多個文本描述輸入模塊、與所述多個文本描述輸入模塊連接的多個協同邊緣計算終端；

其特征在于：

所述多個文本描述輸入模塊用于輸入多個文本關鍵詞；

所述多個協同邊緣計算終端基于所述多個文本關鍵詞，基于各自配置的不同深度學習模型生成長文本描述；

將所述長文本描述輸入包含支持向量機的分類模型進行分類后，輸出不同分類對應的圖像向量；

將所述圖像向量返回至所述多個協同邊緣計算終端，所述邊緣計算終端對應于多個不同分類的圖像向量生成不同場景類別的場景描述；

將所述圖像向量和所述場景描述作為所述對抗網絡模型的輸入，得到多對象圖像輸出；

其中，將所述長文本描述輸入包含支持向量機的分類模型進行分類，進一步包括：

通過實體序列模型識別所述長文本描述中知識圖譜的實體，其中，所述實體序列模型是根據標記有實體的文章訓練得到；

將所述實體進行向量化之后輸入包含支持向量機的分類模型。

2.如權利要求1所述的一種基于生成對抗網絡模型的文本圖像向量處理系統，其特征在于：

將所述圖像向量返回至所述多個協同邊緣計算終端，所述邊緣計算終端對應于多個不同分類的圖像向量生成不同場景類別的場景描述，具體包括：

根據所述圖像向量包含的目標對象圖像區域，分別獲取針對每種目標對象類型的初始預測置信度；將具有最高數值的初始預測置信度的目標對象類型，確定為所述目標對象對應的所述場景類別；

所述邊緣計算終端基于所述場景類別，生成所述場景描述。

3.如權利要求1所述的一種基于生成對抗網絡模型的文本圖像向量處理系統，其特征在于：

將所述圖像向量和所述場景描述作為所述生成對抗網絡模型的輸入，得到多對象圖像輸出，具體包括：

所述生成對抗網絡模型包括兩層級聯結構；

第一層結構將所述場景描述作為輸入，輸出初始形狀和顏色的低分辨率圖像；

第二層結構將所述第一層結構的輸出以及所述圖像向量作為輸入，輸出高分辨率圖像。

4.如權利要求3所述的一種基于生成對抗網絡模型的文本圖像向量處理系統，其特征在于：

第二層結構將所述第一層結構的輸出以及所述圖像向量作為輸入，輸出高分辨率圖像，具體包括：

采用掩膜回歸網絡從所述圖像向量中提取目標對象信息，并將所述目標對象信息進行上采樣后與所述第一層結構的輸出進行組合。

5.如權利要求2所述的一種基于生成對抗網絡模型的文本圖像向量處理系統，其特征在于：

將所述圖像向量和所述場景描述作為所述對抗網絡模型的輸入，得到多對象圖像輸出之后，進一步包括：

識別出所述多對象圖像中的多個對象，與所述圖像向量包含的目標對象進行比對，調整所述目標對象類型的所述初始預測置信度。

6.如權利要求5所述的一種基于生成對抗網絡模型的文本圖像向量處理系統，其特征在于：

將所述圖像向量和所述場景描述作為所述對抗網絡模型的輸入，得到多對象圖像輸出之后，進一步包括：

識別出所述多對象圖像中的多個對象，與所述圖像向量包含的目標對象進行比對;

將比對結果反饋給所述多個協同邊緣計算終端。

7.如權利要求6所述的一種基于生成對抗網絡模型的文本圖像向量處理系統，其特征在于：

將比對結果反饋給所述多個協同邊緣計算終端，具體包括：

基于所述比對結果，優化所述多個協同邊緣計算終端各自配置的所述不同深度學習模型。

8.如權利要求1所述的一種基于生成對抗網絡模型的文本圖像向量處理系統，其特征在于：

將所述長文本描述輸入包含支持向量機的分類模型進行分類后，輸出不同分類對應的圖像向量，具體包括：

所述支持向量機的分類模型包括兩級學習模塊，第一學習模塊為監督學習模塊，第二級學習模塊為無監督學習模塊。