-
Patent Agency Ranking
公开(公告)号：CN111402365B
公开(公告)日：2023-02-10
申请号：CN202010185829.9
申请日：2020-03-17
Applicant: 湖南大学
IPC: G06T11/60 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于双向架构对抗生成网络的由文字生成图片的方法，首先使用一个预训练的文字编码网络来分析文本含义，并将之映射至一个语义向量空间，然后双向架构对抗生成网络模型就可以利用语义向量来生成一张与之对应的图片。与相关技术相比，本发明具有如下优点：利用了双向架构思想，结合对抗生成网络实现了仅依赖文本来生成高质量图片的过程，并且通过改进注意力机制和调整batch normalization达到了加强图片和文本之间的语义一致性的目的，实验证明，这种模型架构可以显著提高合成图片的质量以及多样性。
-
公开(公告)号：CN110289050A
公开(公告)日：2019-09-27
申请号：CN201910460463.9
申请日：2019-05-30
Applicant: 湖南大学
Abstract: 本发明提供了一种基于图卷积和词向量的药物－靶标相互作用预测方法，从药物中提取分子指纹特征和邻接矩阵特征，然后利用图卷积训练这些特征，将一个蛋白质分子表达式3个一组切割，并用一个100维的向量表示这一组，利用CNN训练靶标的词向量特征，最后把训练好的药物和靶标结合在一起，进行最后的结果预测。本发明的有益效果如下：可以提供关于药物的更多特征，从而达到更高的准确性；利用词向量构建蛋白质特征，大大减少了构建特征的时间；可以完整保存药物分子图的有关信息，而不会损失特征；可以大大加快训练时间。
-
公开(公告)号：CN110289050B
公开(公告)日：2023-06-16
申请号：CN201910460463.9
申请日：2019-05-30
Applicant: 湖南大学
Abstract: 本发明提供了一种基于图卷积和词向量的药物－靶标相互作用预测方法，从药物中提取分子指纹特征和邻接矩阵特征，然后利用图卷积训练这些特征，将一个蛋白质分子表达式3个一组切割，并用一个100维的向量表示这一组，利用CNN训练靶标的词向量特征，最后把训练好的药物和靶标结合在一起，进行最后的结果预测。本发明的有益效果如下：可以提供关于药物的更多特征，从而达到更高的准确性；利用词向量构建蛋白质特征，大大减少了构建特征的时间；可以完整保存药物分子图的有关信息，而不会损失特征；可以大大加快训练时间。
-
公开(公告)号：CN112489152A
公开(公告)日：2021-03-12
申请号：CN202011217830.1
申请日：2020-11-04
Applicant: 湖南大学
Abstract: 本发明公开了一种基于远程相关注意力生成对抗网络的文本生成图像方法，本发明使用远程依赖注意生成的可逆对抗网络(LRDAGAN)。将远程依赖学习纳入了生成过程，更具体地说，将生成器的特征图解析为几个部分，并使用词级特征增强这些部分的语义一致性且进一步改善了以往广泛使用的方法，以便更好地指导图片生成，使得本发明不仅可以生成高质量图像，而且还可以生成更好的语义一致性图像。
-
公开(公告)号：CN111402365A
公开(公告)日：2020-07-10
申请号：CN202010185829.9
申请日：2020-03-17
Applicant: 湖南大学
Abstract: 本发明公开了一种基于双向架构对抗生成网络的由文字生成图片的方法，首先使用一个预训练的文字编码网络来分析文本含义，并将之映射至一个语义向量空间，然后双向架构对抗生成网络模型就可以利用语义向量来生成一张与之对应的图片。与相关技术相比，本发明具有如下优点：利用了双向架构思想，结合对抗生成网络实现了仅依赖文本来生成高质量图片的过程，并且通过改进注意力机制和调整batch normalization达到了加强图片和文本之间的语义一致性的目的，实验证明，这种模型架构可以显著提高合成图片的质量以及多样性。
-
-
-
-
Search Results
5
records
(took 0.029 seconds)
