买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广东知乐技术有限公司申请的专利一种基于语义引导鉴别器的半监督汉字图像生成方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115273100B 。

龙图腾网通过国家知识产权局官网在2025-09-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210970759.7，技术领域涉及：G06V30/19；该发明授权一种基于语义引导鉴别器的半监督汉字图像生成方法是由吴斯;霍晓阳;李芃设计研发完成，并于2022-08-13向国家知识产权局提交的专利申请。

本一种基于语义引导鉴别器的半监督汉字图像生成方法在说明书摘要公布了：本发明公开一种基于语义引导鉴别器的半监督汉字图像生成方法，在半监督场景下，从训练集中选取少量有标签的文字图像，其余作为无标签的文字数据，利用辅助分类器为无标签文字提供多重语义信息。分类器特征中隐含着语义信息，在鉴别器中引入文字图像的分类器特征。在鉴别器上采用双头结构：一个头接收类别标签，一个头采用特征融合模块融合鉴别器特征和分类器特征，使分类器特征作为鉴别真假的条件。最终生成器、鉴别器、分类器三者联合完成训练。本发明针对无标签真实文字图像，利用分类器预测的伪标签和分类器特征，提供丰富的语义信息，提升鉴别器在类别条件下区分真假样本的能力，使生成器生成更符合真实类条件分布且真实度和多样性高的文字。

本发明授权一种基于语义引导鉴别器的半监督汉字图像生成方法在权利要求书中公布了：1.一种基于语义引导鉴别器的半监督汉字图像生成方法，其特征在于，包括以下步骤： S1、准备一个数据集，其中只有一小部分训练数据有标注；将标注数据和其对应的标签集合记为L＝{xl,yl}，未标注数据集合记为：U＝{xu}； S2、准备一个由神经网络实现的生成器G:Pk×Y→Rh×w，生成器通过一个k维的随机向量z和一个随机类别标签y来生成分辨率为h×w的高保真文字图像xz，随机类别标签是从文字数据集的标注空间Y中随机采样得到的； S3、将S2中生成的文字和数据集中的有类别标签的文字作为标注数据，将数据集中的未标注文字作为未标注数据，利用这些数据训练一个由神经网络实现的分类器C，利用分类器C对未标注数据进行分类，预测未标注数据的标签，同时得到数据的分类器特征； S4、将S2中生成的数据作为虚假数据，数据集中的标注数据和未标注数据作为真实数据，训练一个由神经网络实现的区分真实数据和虚假数据的鉴别器D:Ph×w×Y×PM→[0,1]，鉴别器以类别标签y和分类器特征fC·∈PM为条件，其中M表示特征图的维度； S5、通过生成器G、分类器C和鉴别器D三者之间的对抗来约束神经网络的学习，当三者的对抗学习达到平衡时，生成器便生成符合真实类别条件分布的文字； 为鉴别器采用了一种双头结构D＝{F,T1,T2}，其中F是一个特征提取网络，T1中包含一个可学习的神经网络层用于学习类别标签的映射；T2中包含一个特征融合模块用于将分类器C和特征提取网络F学习的特征结合起来，同时由于T2中融合了图像的分类器特征，T1和T2将共同作用以帮助G捕获精确的与每类文字相对应的类别语义信息，用x来表示一个有标签或无标签文字图像样本，并将其相应的标签定义为： T1以类别标签y为条件来区分真实数据和生成数据，T1根据生成文字的特征表示分布是否与相应类别的真实文字的特征分布一致来鉴别真假数据，其表达式为： 其中Embed·表示一个可学习类别标签映射的函数，是一个映射函数，表示最后一个线性表示层的权重，表示矩阵运算操作，在上述公式中，T1·,·表示鉴别器网络将输入数据鉴别为真实数据的概率，T1上的损失函数用如下公式来表示： 在特征提取器特征fF和分类器特征fC之间实施基于通道注意力的特征融合，具体方法为：采用神经网络分别计算像素级权重Qloc和全局权重和Qglob，然后按照以下方式对两种类型的权重进行融合： 其中表示广播相加运算，通过引入注意力权重Q，T2通过接收融合后的特征来获取实例级信息，具体方式如下： 其中表示逐元素相乘，在这种条件下，特征提取器F需要去学习与分类器特征fC互补的特征，T2同样需要鉴别真实数据与生成数据，但它不需要类别标签，由于包含了分类器特征fC，能够可以加强鉴别器特征空间的类别分离度并促进类条件分布对齐，T2上的优化公式如下：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东知乐技术有限公司，其通讯地址为：510700 广东省广州市黄埔区光谱中路11号云升科学园2栋2单元1701房；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。