(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211055276.0 (22)申请日 2022.08.31 (65)同一申请的已公布的文献号 申请公布号 CN 115221842 A (43)申请公布日 2022.10.21 (73)专利权人 内江师范学院 地址 641000 四川省内江市东桐路70 5号 (72)发明人 张攀　吴国成　 (74)专利代理 机构 成都行之智 信知识产权代理 有限公司 5125 6 专利代理师 陈锐 (51)Int.Cl. G06F 40/109(2020.01) G06F 40/126(2020.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 30/19(2022.01)G06V 30/244(2022.01) (56)对比文件 CN 114742014 A,202 2.07.12 CN 113011337 A,2021.0 6.22 CN 114548038 A,202 2.05.27 CN 113421318 A,2021.09.21 CN 110503598 A,2019.1 1.26 CN 10919072 2 A,2019.01.1 1 US 2009249429 A1,2009.10.01 Gantugs A tarsaikhan.etc.Neural Fo nt Style Transfer. 《2017 14th IAPR Internati onal Conference o n Document Analysis and Recogn ition (ICDAR)》 .2018, 黄子君等.“基于深度学习的汉字生成方 法”. 《计算机 工程与应用》 .2021,第2 9-36页. 秦智伟等.“基于分数阶L ogistic映射的彩 色图像加密 ”. 《曲靖师 范学院学报》 .2018, (续) 审查员 葛运滨 (54)发明名称 一种基于小样本数据集的字体风格迁移方 法、 系统及设备 (57)摘要 本发明公开一种基于小样本数据集的字体 风格迁移方法、 系统及设备， 解决现有的方法在 小样本数据集情况下存在过拟合和泛化能力差 的问题， 其技术方案要点是： 获取两种样本数据 集， 构建表达文字图片特征的标签， 根据标签对 大样本数据集内的文字图片进行标记， 获得标签 信息； 根据签信息对判决器进行训练， 根据训练 后的判决器和第一生成器构建生成对抗网络； 将 大样本数据集输入生成对抗网络中进行训练和 第一生成器构建第二生成器； 多个第二生成器构 建循环神经网络； 将第二生 成器的输出的特征图 作为循环神经网络的输入， 并结合小样本数据集 完成对循环神经网络的训练。 本发 明避免在小样本数据的情况下文字风格迁移出现过拟合和泛 化能力差的问题。 [转续页] 权利要求书3页 说明书14页 附图6页 CN 115221842 B 2022.12.20 CN 115221842 B (56)对比文件 陈杰夫.“基于生成对抗网络的汉字 字体风格生成与转换 ”. 《中国优秀硕士学位 论文全文数 据库 信息科技 辑》 .2020,2/2 页 2[接上页] CN 115221842 B1.一种基于小样本数据集的字体风格迁移方法， 其特 征在于， 包括： 获取包含目标风格文字图片的小样本数据集以及包含已有字库中具备多种风格的文 字图片的大样本数据集； 构建表达文字图片的整体特征与局部特征的标签， 根据 所述标签对所述大样本数据集 内的文字图片进行 标记， 获得 标签信息； 根据所述标签信 息对判决器进行训练， 根据训练后的所述判决器和第 一生成器构建具 有文字认知能力的生成对抗网络， 其中由编码器和解码器构建第一 生成器； 将所述大样本数据集输入所述生成对抗网络 中进行训练， 根据 所述第一生成器和训练 后的所述 生成对抗网络构建第二 生成器； 多个所述第二 生成器构建循环神经网络； 将所述第二生成器当前输出的特征图作为所述循环神经网络的文字风格编码分支下 一次循环的输入， 并结合所述小样本数据集完成对所述循环神经网络的训练， 获得对小样 本数据集的文字风格进行迁移的循环神经网络 。 2.根据权利要求1所述的方法， 其特征在于， 所述构建表达文字图片的整体特征与局部 特征的标签， 具体包括： 对所有文字图片进行最简拆分， 获得由多个字符组件构成的字符元 数据集； 对多个所述字符组件进行次一级拆分以更新字符元 数据集中字符组件的数量； 对更新后的字符元数据集中的每个所述字符组件进行独热编码， 获得每个所述字符组 件的编码矩阵； 对每个所述字符组件的编码矩阵求和， 获得表达文字图片的整体特征与局部特征的标 签。 3.根据权利要求1所述的方法， 其特征在于， 所述根据所述标签信息对判决器进行训 练， 之前还 包括： 利用ViT模型构建所述判决器的深度卷积神经网络模型， 并将所述大样本数据集中的 文字风格图片进行均分后输入至所述判决器的深度卷积神经网络模型中。 4.根据权利要求1所述的方法， 其特征在于， 所述根据训练后的所述判决器和第 一生成 器构建具有 文字认知能力的生成对抗网络， 包括： 由编码器和解码器构建第一生成器， 其中所述第一生成器的编码器包括两路分支， 第 一路分支是文字内容编码分支， 第二路分支是文字风格编码分支； 在所述编码器的M个网络层中， 所述文字内容编码分支对所述编码器当前网络层中的 表示文字内容的第一特征图进行Z*Z大小的均分， 获得Z*Z个第一特征图块， 并将均分后的 每一个所述第一特 征图块复制Z*Z次后扩展为第一特 征图组； 所述文字风格编码分支对当前网络层中的表示文字风格的第 二特征图进行Z*Z大小的 均分， 获得Z*Z个第二特 征图块， 并将这Z*Z个所述第二特 征图块连接为第二特 征图组； 计算文字风格与文字内容在M个网络层中的匹配注意力， 其中， 在一个网络层中的计算 风格与内容的匹配注意力时， 需循环Z*Z次， 计算文字风格与文字内容在不同分块中的匹配 注意力； 将所述匹配注意力与 所述第二特征图组点乘后与 所述第一特征图组相加， 获得第 三特 征图组；权　利　要　求　书 1/3 页 2 CN 115221842 B 3