检索结果-南通市图书馆

作者：邵俊福建师范大学

学位级别：硕士

单幅图像超分辨率(single image super-resolution,SISR)技术是指从一张低分辨率(low resolution,LR)图像重建出高分辨率(high resolution,HR)图像的技术。目前,SISR方法往往基于卷积神经网络,但这类方法将生成图像与真实图像的像素的... 详细信息

单幅图像超分辨率(single image super-resolution,SISR)技术是指从一张低分辨率(low resolution,LR)图像重建出高分辨率(high resolution,HR)图像的技术。目前,SISR方法往往基于卷积神经网络,但这类方法将生成图像与真实图像的像素的累积平均平方误差作为目标函数,使得重建的结果较模糊。近年来,基于生成对抗网络的方法(generative adversarial networks,GAN)的出现解决了超分辨率重建的图像过于平滑的问题,然而过去基于生成对抗网络方法,如ESRGAN,生成的图像牺牲了图像的保真度去提高视觉质量且产生的图像往往包含不合理的伪影。为了使网络的重建图像不过于平滑的同时具有较好的保真度,本文基于增强的生成对抗网络的超分辨率算法(enhanced super-resolution generative adversarial network,ESRGAN),自适应亚像素重建模块和具有全变分正则化的沃瑟斯坦生成对抗网络,提出了基于增强的沃瑟斯坦生成对抗网络的图像超分辨率算法,主要研究工作如下:(1)本文提出一个自适应多尺度分层重建模块。对于ESRGAN的生成器残差密集网络,它使用最近邻插值结合卷积层进行重建,这种单尺度卷积上采样的结构没能结合多个尺度卷积上采样的机制,会导致不能充分利用非线性映射阶段特征的问题,而生成器网络性能会直接影响GAN整体网络的重建效果。因此,本文对ESRGAN的生成器首先实施改进,在自适应亚像素重建模块的基础上添加了一个堆叠两层不同尺度卷积核的卷积层紧跟着像素混洗层的分支,并将此分支输出结果与原有分支的输出特征图级联共同用于重建,添加的分支由于使用两个小尺度卷积堆叠,相比单层的大尺度卷积层分支,能提取较高层次的特征,从而提升重建效果。将所提出的模块替换残差密集网络中的最近邻插值重建方法,实验显示本文提出的基于自适应多尺度分层重建模块的残差密集网络比使用单尺度卷积上采样的残差密集网络在流行数据集上重建结果的峰值信噪比(Peak Signal to Noise Ratio,PSNR)最大提升了0.05dB。(2)本文构建了一个基于增强的沃瑟斯坦生成对抗网络的图像超分辨率框架(image super-resolution algorithm based on enhanced wasserstein generative adversarial network,SREWGAN)。针对传统的基于GAN的图像超分辨率方法由于训练不稳定,所导致的GAN整体无法获得好的重建结果的问题,本文在使用基于自适应多尺度分层重建模块的ESRGAN生成器网络的同时,对ESRGAN的损失函数也进行改进。具体而言,将具有全变分正则化项的沃瑟斯坦生成对抗网络的损失函数(Wasserstein GAN with total variational regularization,WGAN-TV)替换ESRGAN损失函数中的相对GAN损失函数,验证了在超分辨率任务中训练GAN网络时,使用这种损失函数比相对GAN、WGAN与WGAN-GP的损失函数让训练更稳定。全变分正则化项可以稳定沃瑟斯坦生成对抗网络的训练,从而能提高重建结果的质量,使生成图像更真实。并且本文探索了全变分正则化项的权重及该项中的边缘因子对重建效果的影响。在公共数据集上的实验结果表明,在主观和客观评价上,本文算法可以在重建图像的保真度和视觉质量之间实现平衡。本文通过在ESRGAN生成器中使用所提出的自适应多尺度分层重建模块替换最近邻插值法执行重建,并且在ESRGAN中使用WGAN-TV的损失函数替换相对GAN损失函数,进而构建了一个基于增强的沃瑟斯坦生成对抗网络的图像超分辨率重建算法。实验结果显示提出的算法能恢复更准确的纹理细节并在重建图像的保真度和视觉质量之间实现平衡。

关键词：图像超分辨率重建自适应多尺度分层重建沃瑟斯坦生成对抗网络全变分正则化项卷积神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于WGAN-GP的微多普勒雷达人体动作识别

引用

雷达科学与技术 2022年第2期20卷 195-201页

作者：屈乐乐王禹桐沈阳航空航天大学电子信息工程学院辽宁沈阳110136

针对人体动作识别微多普勒雷达数据量有限的问题,本文提出基于梯度惩罚的沃瑟斯坦生成对抗网络(WGAN-GP)进行雷达数据增强,实现深度卷积神经网络(DCNN)在样本数量较少时可以得到有效训练。首先对人体各种动作的线性调频连续波雷达回波... 详细信息

针对人体动作识别微多普勒雷达数据量有限的问题,本文提出基于梯度惩罚的沃瑟斯坦生成对抗网络(WGAN-GP)进行雷达数据增强,实现深度卷积神经网络(DCNN)在样本数量较少时可以得到有效训练。首先对人体各种动作的线性调频连续波雷达回波数据进行预处理得到微多普勒时频谱图像,然后采用WGAN-GP进行时频谱图像数据增强,最后利用生成的图像对DCNN进行训练。实验结果表明使用WGAN-GP可以有效解决雷达数据不足的问题,从而提高DCNN人体动作识别准确率。

关键词：人体动作识别微多普勒沃瑟斯坦生成对抗网络深度卷积神经网络

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于WGAN的特殊图像修复及图像翻译模型研究

基于WGAN的特殊图像修复及图像翻译模型研究

引用

作者：薛洁婷北京交通大学

学位级别：硕士

计算机视觉(Computer Vision,CV)领域有四大关键任务:图像检测、图像识别、图像分割以及图像生成,本文主要聚焦于图像生成分支。随着人工智能逐渐发展至认知阶段,生成已成为人工智能发展的关键技术。近年来,图像修复和翻译技术由于具有... 详细信息

计算机视觉(Computer Vision,CV)领域有四大关键任务:图像检测、图像识别、图像分割以及图像生成,本文主要聚焦于图像生成分支。随着人工智能逐渐发展至认知阶段,生成已成为人工智能发展的关键技术。近年来,图像修复和翻译技术由于具有广泛的应用价值而备受国内外学者的关注。图像修复旨在根据图像中的已知信息恢复出丢失区域的内容,从而使图像在整体和局部区域均保持真实合理。图像翻译旨在将一种图像表征通过深度神经网络转换为另一种图像表征,可以被视为是寻找两个或多个图像域之间的映射关系。目前大多数的相关算法都是针对自然图像进行研究,对于特殊人工图像的关注相对比较匮乏。为了弥补研究空缺,本文基于沃瑟斯坦生成对抗网络对中国古画进行图像修复以及图像翻译的算法研究,具体的研究内容如下:(1)由于中国古画的细节繁多且具有大量不规则的凹凸纹理特征,因此本文提出了一种细节增强型的古画修复模型。首先,本文分析了传统图像修复算法无法解决人工图像修复任务的根本原因,并且针对该问题设计了具有多任务分支结构的修复网络。多任务分支结构通过将修复任务分解为内容和线条两个部分,使得修复网络能有效地关注到图像的细节区域,从而使修复结果在细节上更加逼真自然。另外,本文引入了结构引导机制,该机制允许用户根据个人的偏好参与古画修复的过程,并且本文设计了用户引导实验对该机制进行了验证,结果表明本文提出的模型可以根据用户提供的信息进行个性化修复。最后,本文设计多种损失联合优化模型,并且通过扩展实验进一步验证了模型的通用性以及鲁棒性。(2)传统的图像翻译模型容易使图像的底层结构特征在编码过程中逐渐丢失,从而无法生成纹理清晰的结果。为此,本文引入多种注意力机制并结合多编码器架构,提出了一种新颖的古画上色模型。首先,本文设计了多编码器架构用于降低颜色特征与线条特征融合的难度,从而改善古画上色的效果。其次,本文提出了一种全新的通道注意力机制,该机制使内容编码器能高效地结合与线条特征响应度最大的颜色特征,使上色结果的颜色更加均匀。最后,本文利用带有门控注意力引导的跳跃连接机制辅助内容编码器将底层的显著性特征传递给解码器,从而避免了无效特征对模型的影响。大量的实验表明,本文提出的模型能将参考图像的颜色信息与古画的线条信息进行合理地融合,并且可以有效地保留线条图像的底层不变特征,解决了现有图像翻译模型在特殊人工图像数据集上效果不佳的问题。

关键词：图像生成生成对抗网络图像修复图像翻译注意力机制沃瑟斯坦生成对抗网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：