检索结果-内蒙古大学图书馆

计算机辅助设计与图形学学报 2025年第3期37卷 414-426页

作者：夏垚铮郝蕾郑宛露潘成伟王少荣北京林业大学信息学院北京100083 北京航空航天大学人工智能学院北京100083 国家林业草原林业智能信息处理工程技术研究中心北京100083

人脸图像编辑模型中的语义属性之间有较强的关联性,编辑其中一种语义可能导致其他语义属性以及非编辑区域的内容改动.为了提升用户的编辑体验,实现对人脸图像细节更为精确的编辑,提出一种在图像域上语义分离和特征融合(ISFL)的人脸图像... 详细信息

人脸图像编辑模型中的语义属性之间有较强的关联性,编辑其中一种语义可能导致其他语义属性以及非编辑区域的内容改动.为了提升用户的编辑体验,实现对人脸图像细节更为精确的编辑,提出一种在图像域上语义分离和特征融合(ISFL)的人脸图像编辑模型.首先使用图像掩模将人脸图像的各个语义分离,并将人脸语义组织成一个层次化的树状结构;然后通过ISFL实现对图像语义的局部分离和全局融合,用户可通过掩模单独编辑图像中不同语义的结构和外观;最后使用基于编码器和基于优化2种方式优化生成图像的细节部分.在CelebAMask-HQ数据集上的实验结果表明,所提出的图像编辑方法可以得到更加真实、细节更加丰富的图像.

关键词：生成对抗网络人脸图像编辑条件生成模型属性解耦特征合成

来源：评论

学校读者我要写书评

暂无评论

生成式对抗网络的应用综述

引用

同济大学学报（自然科学版） 2020年第4期48卷 591-601页

作者：叶晨关玮同济大学嵌入式系统与服务计算教育部重点实验室上海201804

生成式对抗网络(GAN)是一种优秀的生成式模型,能够不依赖任何先验假设,学习到高维复杂的数据分布。这一强大的性能使得它成为近年来研究的热点,并在诸多应用领域取得了显著的研究成果。首先介绍了生成式对抗网络的基本原理,各种目标函... 详细信息

生成式对抗网络(GAN)是一种优秀的生成式模型,能够不依赖任何先验假设,学习到高维复杂的数据分布。这一强大的性能使得它成为近年来研究的热点,并在诸多应用领域取得了显著的研究成果。首先介绍了生成式对抗网络的基本原理,各种目标函数以及常用的模型结构。然后,详细分析了生成式对抗网络在条件限制下生成图片的各种演进方法。此外,介绍了生成式对抗网络在不同领域的应用,包括高分辨率图像生成、小目标检测、非图像数据生成、医学图像分割等方面的最新研究进展。最后,总结了生成式对抗网络训练过程中的优化技巧。旨在通俗地阐明GAN的基础理论以及发展历程,并从应用角度对未来工作进行了展望。

关键词：生成式对抗网络条件生成模型图像生成

来源：评论

学校读者我要写书评

暂无评论

基于属性的零样本学习方法研究

基于属性的零样本学习方法研究

引用

作者：徐晓峰南京理工大学

学位级别：博士

近年来,随着机器学习技术的发展,特别是深度神经网络的出现,目标识别研究取得了巨大的进步。当提供充足的有标签数据之后,这些识别系统的性能和效率甚至超过了人类感知系统。然而,对世界上所有的物体都收集大量的有标签数据几乎是一个... 详细信息

近年来,随着机器学习技术的发展,特别是深度神经网络的出现,目标识别研究取得了巨大的进步。当提供充足的有标签数据之后,这些识别系统的性能和效率甚至超过了人类感知系统。然而,对世界上所有的物体都收集大量的有标签数据几乎是一个无法完成的问题,尤其对于一些罕见目标或者超细粒度类别。因此,在没有给定训练数据的情况下,如何准确地识别未知类的目标成为一个非常具有挑战性但又十分有意义的研究问题。在此背景下,零样本学习问题在机器学习和计算机视觉领域受到了越来越多的研究关注。在零样本学习问题中,训练类别和测试类别不相交,因此零样本学习模型需要引入语义信息来从已知类训练数据中迁移知识到未知类测试数据中。本文以基于属性的零样本学习问题作为主要研究对象,提出了三种提高语义信息的方法和一种改进的监督零样本学习方法。本文的主要研究成果及贡献如下:(1)提出了一种基于双曲邻域图传播的属性学习模型,来从原始的弱监督的类别级别属性中学习得到强监督的样本级别属性表示。目前的零样本学习研究中使用的属性信息是给定的类别级别的属性表示,由于人工标注和样本个体差异性带来的误差,类别级别属性直接推广到具体样本时,得到的样本级别属性是包含噪声的弱监督语义信息。针对此问题,本文提出通过属性学习模型来从给定的弱监督的属性表示中学习得到具有更强监督信息的样本级别属性表示。考虑到双曲空间度量的内蕴性质和相对邻域图的优点,设计了一种双曲邻域图模型来描述数据集中的样本。基于构建的双曲邻域图,定义了样本点的邻域一致性来检测可疑样本点,随后可疑样本点根据其邻近样本的属性表示的期望来修正噪声属性值。大量对比实验证明学习得到的样本级别属性显著优于原始的类别级别属性。(2)提出了一种基于互补属性和排序聚合的零样本学习模型,来增强原始的属性信息。为了充分利用属性表示中蕴含的语义信息,本文引入互补属性作为原始属性的补充,来增强原始语义空间的表示能力。理论分析证明引入互补属性能有效提高零样本学习模型的泛化边界。作为原始属性的一种扩展,提出的互补属性能被轻易地应用到现有的基于属性的零样本学习模型中。在应用到基于概率预测策略的零样本学习模型中时,研究发现概率预测模型存在一个很强的假设,即假设所有的属性表示相互独立,而这与现实不符。为了解决该问题,接着提出了一种新颖的排序聚合模型来避开此假设。大量对比实验证明提出的互补属性和排序聚合模型能显著提高零样本学习模型的性能和稳定性。(3)提出了一种基于未知类合成数据的迭代属性选择模型,来从原始的属性集合中选择出更具鉴别力的关键属性子集。在目前的零样本学习研究中,所有的属性都默认有效并被同等对待。然而经研究发现,部分属性因为其可预测性较低或鉴别力较低,从而会影响整个零样本学习系统的性能。针对此问题,本文提出了一种迭代属性选择模型来挑选出关键的属性子集。因为零样本学习问题中训练类别和测试类别不同,而测试类别的数据在训练阶段不可见,因此设计了一种基于属性的条件生成模型来生成未知类合成数据。未知类合成数据和真实的测试数据具有相同的属性表示和相似的数据分布,因此,基于未知类合成数据的迭代属性选择模型选择出的关键属性子集能有效地泛化到真实的未知类测试数据。理论分析表明迭代属性选择模型能有效提高零样本学习模型的泛化误差边界。大量对比实验证明提出的迭代属性选择模型能显著提高零样本学习模型的性能和稳定性。(4)提出了一种基于端到端设计和元学习的监督零样本学习模型,来提高监督零样本学习模型的性能和稳定性。通过条件生成模型生成未知类合成数据,可以将零样本学习问题转换成传统的监督学习问题进行求解。目前的监督零样本学习模型单独训练数据生成模块和目标分类模块,这样导致数据生成模块的优化目标对于整个零样本学习系统不是最优解。针对此问题,本文提出了一种端到端的监督零样本学习模型。另外,考虑到生成的未知类合成数据存在可靠性较低和域偏移的缺陷,接着引入元学习机制来进一步提高监督零样本学习模型的性能。大量对比实验证明提出的基于端到端设计和元学习的监督零样本学习模型显著优于其他最新的监督零样本学习模型。最后,本文总结了提出的四种方法的特点及其应用场景,并展望了未来可能的研究方向。

关键词：零样本学习属性表示属性学习互补属性排序聚合属性选择条件生成模型未知类合成数据元学习

来源：评论

学校读者我要写书评

暂无评论

语义区域风格约束下的图像合成

引用

计算机科学 2021年第2期48卷 134-141页

作者：胡妤婕常建慧张健北京大学深圳研究生院广东深圳518055

生成对抗网络近年来发展迅速,其中语义区域分割与生成模型的结合为图像生成技术研究提供了新方向。在当前的研究中,语义信息作为指导生成的条件,可以通过编辑和控制输入的语义分割掩码来生成理想的特定风格图像。文中提出了一种具有语... 详细信息

生成对抗网络近年来发展迅速,其中语义区域分割与生成模型的结合为图像生成技术研究提供了新方向。在当前的研究中,语义信息作为指导生成的条件,可以通过编辑和控制输入的语义分割掩码来生成理想的特定风格图像。文中提出了一种具有语义区域风格约束的图像生成框架,利用条件对抗生成网络实现了图像分区域的自适应风格控制。具体而言,首先获得图像的语义分割图,并使用风格编码器提取出图像中不同语义区域的风格信息;然后,在生成端将风格信息和语义掩码对应生成器中的每个残差块分别仿射变换为两组调制参数;最后,输入到生成器中的语义特征图根据每个残差块的调制参数加权求和,并通过卷积与上采样渐进式地生成目标风格内容,从而有效地将语义信息和风格信息相结合,得到最终的目标风格内容。针对现有模型难以精准控制各语义区域风格的问题,文中设计了新的风格约束损失,在语义层次上约束区域风格变化,减小不同语义区域的风格编码之间的相互影响;另外,在不影响性能的前提下,采取权重量化的方式,将生成器的参数存储规模压缩为原来的15.6%,有效降低了模型的存储空间消耗。实验结果表明,所提模型的生成质量在主观感受和客观指标上较现有方法均有显著提高,其中FID分数比当前最优模型提升了约3.8%。

关键词：条件生成模型自适应归一化图像生成生成对抗网络深度学习

来源：评论

学校读者我要写书评

暂无评论

基于异质图和图半监督学习的数据增强方法研究

基于异质图和图半监督学习的数据增强方法研究

引用

作者：李金城吉林大学

学位级别：硕士

随着信息化程度的提高和数据收集、数据存储技术的发展,图数据的总量呈现出爆发式的增长态势。图数据增强已经成为图表示学习的重要方向,被用于在各种真实场景中提高图神经网络的性能和泛化能力。因此,设计适合可以在特定场景提高图神... 详细信息

随着信息化程度的提高和数据收集、数据存储技术的发展,图数据的总量呈现出爆发式的增长态势。图数据增强已经成为图表示学习的重要方向,被用于在各种真实场景中提高图神经网络的性能和泛化能力。因此,设计适合可以在特定场景提高图神经网络性能的图数据增强具有重要的现实意义。现有的大多数图神经网络基于同质性假设设计,因此可以在同质图上取得不错的效果。然而,真实世界中的图并不一定满足同质性假设。在异质图中相似节点往往不直接相连,而是通过多跳的边间接连接,使得它们可能距离较远,基于同质性假设的图神经网络应用到异质图时性能会下降。同时,在真实场景中,节点的度分布常常遵循幂律分布,这导致大多数节点的邻居节点个数有限,大多数中心节点无法通过消息传递聚合足够的信息,进一步限制了图神经网络的表现。此外,在图半监督学习的特定场景下,现有的图数据增强只在空域中单独对拓扑结构或者节点特征进行增强,存在信息利用不充分的问题。同时,现有方法往往只在空域上进行数据增强,忽略了图数据在谱域中的信息。本文针对上述两个特定场景下的图数据增强方法进行探索,并提出两个数据增强框架: (1)融合局部信息和全局信息的数据增强框架。该框架针对如何利用图数据增强提高同质图神经网络在异质图上性能的特定场景设计。针对异质图中相似节点距离较远导致基于同质性假设设计的图神经网络性能下降的问题,该框架通过计算节点的相似度构造全局邻域,使远距离的相似节点成为全局邻域中的邻居节点,从而使消息传递可以在相似节点上进行。针对节点的度分布遵循幂律分布导致邻居节点个数有限的问题,该框架将增强过程视为条件生成过程,使用条件生成模型学习以中心节点为条件的邻居节点特征的分布,然后,通过将采样得到的潜在变量和中心节点的特征输入到解码器中生成额外的邻居节点的特征。 (2)自适应融合空域信息和谱域信息的数据增强框架。该框架针对如何利用图数据增强提高图神经网络在半监督学习条件下性能的特定场景设计。该框架同时使用拓扑信息和特征信息,解决了现有图数据增强只在空域中单独对拓扑结构或者节点特征进行增强导致的信息利用不充分的问题,在一定程度上提高了信息的利用。针对图数据增强忽略谱域信息的问题,该框架通过图低通滤波器和图高通滤波器分别在谱域中保留低频信息和高频信息,从而实现在谱域中对图数据进行增强。此外,该框架使用自适应融合模块融合不同类型的信息,使下游的GNN分类器可以自适应地调整不同类型信息的权重,优化模型表现。最后,本文通过在公开数据集上进行对比实验、消融实验和参数敏感性分析实验,验证了框架的有效性、各个模块的有效性和参数对模型性能的影响。实验结果显示,与基线中的GNN分类器相比,使用数据增强框架的GNN分类器表现出更优越的性能,使用融合局部信息和全局信息数据增强框架的同质图神经网络取得了与目前主流的异质图神经网络相当的性能。

关键词：图数据增强图神经网络条件生成模型图滤波器

来源：评论

学校读者我要写书评

暂无评论

基于双重对抗网络的半监督学习模型研究

基于双重对抗网络的半监督学习模型研究

引用

作者：吴泽宇天津大学

学位级别：硕士

在训练大量标记数据时,深度神经网络显示出其在广泛的监督学习任务上的出色性能。然而,创建如此大的数据集需要相当多的资源。为了克服对大型注释数据集的需求,对半监督的研究以及其在深度神经网络中的应用不断增加,以减少所需的标记数... 详细信息

在训练大量标记数据时,深度神经网络显示出其在广泛的监督学习任务上的出色性能。然而,创建如此大的数据集需要相当多的资源。为了克服对大型注释数据集的需求,对半监督的研究以及其在深度神经网络中的应用不断增加,以减少所需的标记数据量。对抗式神经网络在无监督领域学习数据分布能力已经达到十分优秀的效果,越来越多的研究人员将对抗系统运用在半监督学习问题上并取得了不错的效果;本文主要的工作内容如下:第一,通过对实验结果的研究分析得出常规半监督对抗生成网络(SGAN)图像分类问题中存在的两个问题,并从最大熵原理出发分析了SGAN图像分类问题中的损失函数,并且给出了无标签数据在半监督生成对抗网络训练过程中的信息提取流程。第二,针对传统SGAN图像分类问题中生成器中只是尽可能生成靠近原数据分布的大量数据,无法控制正在生成的数据的模式,使得大量生成数据不能够充分利用造成数据浪费,本研究通过对半监督条件生成的实验,验证了条件生成模型能够利用生成已经给定标签的图像数直接对判别器进行分类训练,从而进一步利用生成的图片数据对判别器进行训练。第三,由于SGAN图像分类问题中模型对无标签数据训练形式过于单一,引入了虚拟对抗训练(VAT)单独对无标签数据进行二次信息提取,二次利用无标签数据对判别器进行在训练,提升模型对于无标签数据的信息利用率,以此提高了分类器的分类精度以及模型的鲁棒性。最终本研究在条件半监督GAN(SCGAN)的基础上结合了VAT技术提出了一种结合虚拟对抗训练和条件生成对抗网络的双重对抗条件生成深度半监督模型(BSCGAN)。双重对抗条件生成深度半监督模型在MNIST,SVHN,CIFAR10数据集的实验结果表明,能够达到较好水平的分类表现。其中模型在MNIST、SVHN、CIFAR10数据集上分别最多利用全数据集的0.14%、2.0%、6.0%做为有标签数据,在测试数据集上分别能够达到98.52%、95.49%、85.32%的预测精度。

关键词：半监督学习对抗生成网络条件生成模型虚拟对抗训练图像多分类深度学习

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的调度检修预案生成模型构建

引用

粘接 2024年第3期51卷 153-156页

作者：蔡思烨卢泉篠胡鹏杨恩龙余玉良顾小旭国网上海嘉定供电公司上海201800

为解决传统的电力系统调度检修方法无法满足电力系统安全可靠运行要求,提出基于深度学习的调度检修预案,以提高电力系统的可靠性与运行效率。通过对数据进行收集与预处理,消除原始数据中的异常值、缺失值、错误数据。采用长短期记忆网... 详细信息

为解决传统的电力系统调度检修方法无法满足电力系统安全可靠运行要求,提出基于深度学习的调度检修预案,以提高电力系统的可靠性与运行效率。通过对数据进行收集与预处理,消除原始数据中的异常值、缺失值、错误数据。采用长短期记忆网络对电力系统历史数据进行训练学习,预测电力负荷及设备状态。采用条件生成模型,通过对抗训练来自动生成优化的调度检修预案。将提出的调度检修预案生成技术应用于实际的电力系统中,得到了电力系统1周的调度检修预案。为电力系统运维人员决策提供了参考。

关键词：深度学习电力系统长短期记忆网络条件生成模型预案生成技术

来源：评论

学校读者我要写书评

暂无评论

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

请选择保存的检索档案：

请选择收藏分类：

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

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

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：