[发明专利]数据的自主修改的方法和系统

权利要求书

1.一种用于修改数据集中的模式的计算机实现的方法，所述方法使用包括生成器和判别器的生成式对抗网络，所述方法包括：

提供数据样本对，每个所述对包括具有模式的基础数据样本和具有对应的修改模式的修改数据样本，其中，所述修改模式是通过对所述基础数据样本应用至少一个随机修改来确定的，

使用对抗训练方法并且使用所述数据样本对作为输入来训练所述生成器以构建所述生成器的模型，其中，所述判别器接收数据集的数据集对作为输入，每个所述数据集对包括所述生成器的基于基础数据样本和所述对应的修改数据样本的预测输出，由此优化用于所述生成器和所述判别器的联合损失函数，以及

在没有所述判别器的情况下，针对未知数据样本作为所述生成器的输入来预测输出数据集。

2.根据权利要求1所述的方法，其中，所述联合损失函数是Wasserstein损失函数。

3.根据权利要求1所述的方法，还包括：使用所述对抗训练方法并且使用所述数据样本对作为输入来训练所述生成器网络的不同模型，其中，所述修改数据样本是根据不同的方面来修改的。

4.根据权利要求1所述的方法，其中，所述生成器是输出节点与输入节点一样多并且隐藏层节点少于输入节点数量的神经网络。

5.根据权利要求1所述的方法，其中，所述判别器是输入节点与所述生成器具有的输出节点一样多并且具有两个输出节点的神经网络。

6.根据权利要求1所述的方法，其中，所述判别器是PatchGAN。

7.根据权利要求1所述的方法，其中，所述联合损失函数是损失函数的加权组合。

8.根据权利要求1所述的方法，其中，所述损失函数与所述基础数据样本的内容损失有关，并且其中，所述内容损失是使用预先训练的神经网络的特征图来确定的。

9.根据权利要求1所述的方法，其中，与相关的数据样本相比，所述修改数据样本包括实线而不是虚线，包括黑白模式而不是等效的彩色模式，包括无文本模式而不是具有文本的模式，以及包括无线条图像而不是混合线条/文本图像。

10.根据权利要求1所述的方法，其中，提供数据样本对包括：

提供具有模式的图像集，

确定要被修改的至少一个模式，

使用随机数生成器来随机修改所述图像的所述至少一个模式，以及

将所述图像集中的一个图像和相关图像与定义包括所述基础数据样本和所述修改数据样本的所述对中的一个对的所述至少一个模式相关。

11.根据权利要求1所述的方法，其中，当比较当前迭代与先前迭代的结果时，如果所述联合损失函数的结果小于相对阈值，则所述生成式对抗网络的训练终止。

12.根据权利要求1所述的方法，其中，所述基础数据样本和修改数据样本是图像。

13.一种用于使用生成式对抗网络来修改数据集中的模式的机器学习系统，所述机器学习系统包括生成器网络系统和判别器网络系统，所述机器学习系统包括：

接收单元，适于提供数据样本对，每个所述对包括具有模式的基础数据样本和具有对应的修改模式的修改数据样本，其中，所述修改模式是通过对所述基础数据样本应用至少一个随机修改来确定的，

训练模块，适于控制使用对抗训练方法并且使用所述数据样本对作为输入来训练所述生成器网络系统以构建所述生成器网络系统的模型，其中，所述判别器网络系统接收数据集的数据集对作为输入，每个所述数据集对包括所述生成器的基于基础数据样本和所述对应的修改数据样本的预测输出，由此优化用于所述生成器和所述判别器的联合损失函数，以及

预测单元，适于在没有所述判别器的情况下针对未知数据样本作为所述生成器的输入来预测输出数据集。