检索结果-内蒙古大学图书馆

传感器与微系统 2022年第7期41卷 147-151页

作者：李萌萌马力贾宇峰西安邮电大学计算机学院陕西西安710121

针对生成对抗网络(GAN)在训练过程中因容易出现的模式崩塌现象导致面部表情生成图像效果不佳的问题,提出一种基于模式搜索星型生成对抗网络(StarGAN)的面部表情图像生成方法。首先将模式搜索正则项与星型生成对抗网络的生成器损失相结合... 详细信息

针对生成对抗网络(GAN)在训练过程中因容易出现的模式崩塌现象导致面部表情生成图像效果不佳的问题,提出一种基于模式搜索星型生成对抗网络(StarGAN)的面部表情图像生成方法。首先将模式搜索正则项与星型生成对抗网络的生成器损失相结合,以改善星型生成对抗网络的模式崩塌现象;其次将网络结构中生成器的普通卷积层使用空间可分离卷积替代,相对减少训练参数,提高模型训练的稳定性。实验在2个数据集上与CycleGAN,DiscoGAN和StarGAN等模型生成的图像进行质量比较,在CK+数据集上弗雷歇距离分别提高了2.98,2.20和1.64;在FER2013数据集上弗雷歇距离分别提高了2.60,1.72和0.68。本文所提出的模式搜索StarGAN模型可以更有效改善模式崩塌问题,进而提高表情图像的质量和模型训练的稳定性。

关键词：星型生成对抗网络模式崩塌搜索正则项图像生成

来源：评论

学校读者我要写书评

暂无评论

最大化中心模式和微小模式生成对抗网络

引用

计算机应用研究 2022年第12期39卷 3815-3819页

作者：孙志伟马韬赵婷婷闫潇宁许能华天津科技大学人工智能学院天津300222 深圳市安软科技股份有限公司深圳518131

为了解决生成对抗网络(GAN)在生成图像时出现的模式崩塌问题,提出了一种最大化中心模式和微小模式损失生成对抗网络(MMMGAN)。首先,将具有相同标签的生成图像的模式定义为中心模式和微小模式,中心模式和微小模式分别代表相似模式的集合... 详细信息

为了解决生成对抗网络(GAN)在生成图像时出现的模式崩塌问题,提出了一种最大化中心模式和微小模式损失生成对抗网络(MMMGAN)。首先,将具有相同标签的生成图像的模式定义为中心模式和微小模式,中心模式和微小模式分别代表相似模式的集合和学习完中心模式后可能的模式变化。其次,基于上述的定义提出最大化中心模式和微小模式损失。最后,引入该损失函数,在保证生成图像的分布逼近真实图像的前提下,绝大多数评价指标都得到了改善,提升了生成图像的多样性。拓展性的实验结果表明,提出的最大化中心模式和微小模式损失应用于两种及其以上不同类型任务中,模式崩塌得到了有效缓解。

关键词：图像生成中心模式微小模式模式崩塌深度学习

来源：评论

学校读者我要写书评

暂无评论

一种基于渐进增长对抗生成网络的火星样本生成方法

引用

空间控制技术与应用 2021年第6期47卷 70-76页

作者：代磊王颖李华伟李晓维中国科学院计算技术研究所北京100190 中国科学院大学北京100049

对抗生成网络的发展为图像生成等传统领域带来了很大进步,通过使用较少样本训练对抗生成网络,可以学习到特定图像类别的特征,进而能够增广样本应用于场景测试、其他网络训练等多种任务.本工作探索了在较少量的火星训练样本的基础上,针... 详细信息

对抗生成网络的发展为图像生成等传统领域带来了很大进步,通过使用较少样本训练对抗生成网络,可以学习到特定图像类别的特征,进而能够增广样本应用于场景测试、其他网络训练等多种任务.本工作探索了在较少量的火星训练样本的基础上,针对直接使用GAN生成样本存在特征因平均化而不明显且类别较少的模式崩塌问题,基于渐进增长对抗生成网络,提出了一种聚类-训练-生成协同的火星样本生成方法.实验结果表明,与直接利用渐进增长对抗生成网络的基线方法相比,本工作生成效果得到了提升.

关键词：对抗生成网络样本生成数据增强模式崩塌

来源：评论

学校读者我要写书评

暂无评论

基于生成对抗网络的文本生成图像研究

基于生成对抗网络的文本生成图像研究

引用

作者：张恩琪燕山大学

学位级别：硕士

文本生成图像问题是图像生成方向的一个重要分支,给定一个文本描述,可以生成符合文本描述的图像。文本生成图像的方法主要是基于生成对抗网络的,目前的一些方法经常出现模式崩塌问题,生成的结果缺乏多样性。本文为了提高生成图像的质量... 详细信息

文本生成图像问题是图像生成方向的一个重要分支,给定一个文本描述,可以生成符合文本描述的图像。文本生成图像的方法主要是基于生成对抗网络的,目前的一些方法经常出现模式崩塌问题,生成的结果缺乏多样性。本文为了提高生成图像的质量做了以下工作:首先,为了解决训练过程比较自由缺乏约束的问题,本文提出了语义分类器生成对抗网络。将文本预处理后得到文本向量,与随机噪声连接在一起输入到生成器中,通过卷积层生成图像。然后将图像输入到判别器中,对其进行真假的判断。判别器中添加语义分类器,对文本和图像的语义一致性进行判断。语义分类器结构使判别器中增加额外的监督任务,使生成器生成的样本多样化,减轻模式崩塌的问题。其次,针对生成样本缺乏多样性的问题,本文引入了行列式点过程对样本中的多样性进行建模。行列式点过程生成对抗网络模型由三个生成器和三个判别器组成,生成器依次生成不同分辨率的图像。网络中引入行列式点过程矩阵,使生成器生成与真实样本相似的具有多样性的样本,从而提高了生成图像的质量。最后,针对生成图像质量低、训练过程复杂的问题,本文提出层级倒置残差生成对抗网络,采用端到端的训练方式,克服了分阶段训练使训练过程复杂的缺点。该网络模型由一个生成器和三个判别器组成,生成器中引入倒置残差网络,可以保留更多的特征信息,使生成图像的清晰度明显提升,图像包含更多的细节。生成器中分为三个层级,通过线性压缩层得到三个由低到高的分辨率的图像,该模型训练过程简单并且生成图像的质量明显提高。

关键词：生成对抗网络文本生成图像模式崩塌行列式点过程端到端

来源：评论

学校读者我要写书评

暂无评论

基于生成对抗网络的图像数据库扩充研究

基于生成对抗网络的图像数据库扩充研究

引用

作者：马韬天津科技大学

学位级别：硕士

如今深度学习在各行各业中应用得越来越广泛,得益于大量的数据支撑,深度学习模型能够有效的学习数据的分布,从而加速了计算机视觉与传统行业结合的步伐。随着模型精度的不断提高和拆解的深度学习任务越来越细化,仅仅依靠包括更改网络结... 详细信息

如今深度学习在各行各业中应用得越来越广泛,得益于大量的数据支撑,深度学习模型能够有效的学习数据的分布,从而加速了计算机视觉与传统行业结合的步伐。随着模型精度的不断提高和拆解的深度学习任务越来越细化,仅仅依靠包括更改网络结构、使用预训练的网络、更精细化的调参等技巧来优化模型,很难再进一步优化模型的性能。因此除了优化模型外,模型就需要海量新的数据用来训练模型以提升性能。如何依靠现有的数据集训练模型从而实现有效的扩充数据库便成为了一项重要且有意义的课题。本论文将从图像生成的角度开展图像数据库的扩充研究。图像生成模型现有VAE、生成对抗网络(GANs)等生成模型。本论文将基于GANs开展图像数据库的扩充研究。传统的生成对抗网络在图像生成方面取得了巨大的成功,但是GAN模型经常会无法避免的出现模式崩塌现象,这主要由于输入到生成对抗网络中的条件信息的维度通常高于潜在向量的维度,使得生成器仅关注到条件信息,而忽略了潜在向量的作用。现如今模型参数量较大的模型(如BIGGAN)依然存在模式崩塌问题。为了很好地解决这个问题,本文将从优化生成器的角度改善生成图像的多样性,从而改善图像数据库扩充样本的效果。并提出了两种损失函数来缓解模式崩塌。(1)现有的生成对抗网络生成的图像在保真度方面虽然有较大进展,但是却常常出现多样性不足的问题,因此提出采用多样化模式损失优化生成器,从而缓解模式崩塌。对于多个随机噪声输入到模型中,对应生成多张图像。如果噪声的分布比较分散时,那么图像的随机性也会更高,因此,提出了多样化模式损失,它的核心思想是生成的图像都围绕一个中心特征生成,然后以中心特征为中心,向四周围扩散学习其他特征。这样生成的图像在确保生成图像分布接近真实图像分布的重要前提下,能够更好的追求了生成图像的多样性。(2)为了进一步改善提升生成图像的多样性,本文更进一步提出最大化中心模式和微小模式损失。首先对具有相同标签但潜在向量不同的图像的模式定义为中心模式和微小模式。中心模式代表这一批图像中相似特征的集合,微小模式代表学习中心模式后可能的模式变化。而后提出将中心模式和微小模式之间的距离最大化。最后,将此损失应用在生成器上缓解模式崩塌。实验结果表明:提出的损失在90%以上的评估矩阵中都都优于先前的模型。

关键词：模式崩塌图像生成中心模式微小模式生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

生成对抗网络的无监督解纠缠及其优化研究

生成对抗网络的无监督解纠缠及其优化研究

引用

作者：瞿远近安徽理工大学

学位级别：硕士

近年来,生成对抗网络的研究及应用取得了长足的发展,然而在训练过程中,网络模型经常出现无法将输入噪声映射到真实数据分布的情况,造成生成模型的模式崩塌,且生成的属性纠缠在一起,在生成内容的质量和可控程度上都难以达到令人满意的程... 详细信息

近年来,生成对抗网络的研究及应用取得了长足的发展,然而在训练过程中,网络模型经常出现无法将输入噪声映射到真实数据分布的情况,造成生成模型的模式崩塌,且生成的属性纠缠在一起,在生成内容的质量和可控程度上都难以达到令人满意的程度。随着业界对生成对抗网络的解纠缠和抵抗模式崩塌这类优化的深入研究,对无监督的解纠缠方案和从理论本身入手进行优化逐渐成为热点。因此,本文围绕生成对抗网络的无监督解纠缠和抵抗模式崩塌方面的优化开展工作。具体内容分为两方面,一方面是通过改进生成对抗网络无监督解纠缠方法,让生成器的属性更好地分离,达到生成质量提高和属性可控目的;另一方面是让生成对抗网络进一步结合博弈理论,改进生成对抗网络的训练算法,达到减轻模式崩塌和提升网络生成性能的目的。在改进生成对抗网络无监督解纠缠方面的工作,主要是增强模型属性分离能力。针对深层次内容和属性过多情况下的解纠缠表现一般的问题,首先通过分析Hessian矩阵和Jacobian矩阵在不同层次上对生成模型解纠缠的原理,而后进一步推导出两者之间的内在联系,利用不同的差分近似对这两个矩阵方法作计算优化处理,得出无监督一致性解纠缠损失,并应用于连续变化因子和多个变化因子之间的解纠缠。实验结果表明,本文提出的方法在多个数据集下对比多个当前优秀的解纠缠算法具有一定优势,在各种属性分离的解纠缠生成测试下具有更加良好的表现。在生成对抗网络的优化方面,针对生成模型模式崩塌,生成的伪影和语义不明的问题,本文将鹰鸽博弈模型进行改进,类比地对生成对抗网络进行建模分析,在求出改进后博弈模型理论解的同时修改生成对抗网络的模型架构。本文将生成器和判别器的博弈关系在非对称博弈上加以推广,在尽可能不改变原有模型的情况下加入新的生成训练范式。实验证明,本文的优化方法在加入多个主流生成对抗网络模型之后,绝大多数模型在生成图片的质量和多样性方面优于改进前的方法。图[19]表[7]参[82]

关键词：生成对抗网络模型解纠缠模式崩塌博弈论深度学习

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：