检索结果-内蒙古大学图书馆

计算机应用 2023年第1期43卷 169-175页

作者：林洋平刘佳陈培张明书杨晓元武警工程大学密码工程学院西安710086 网络与信息安全武警部队重点实验室(武警工程大学) 西安710086

生成式隐写通过生成足够自然或真实的含密样本来隐藏秘密消息,是信息隐藏方向的研究热点,但目前在视频隐写领域的研究还比较少。结合数字化卡登格的思想,提出一种基于深度卷积生成对抗网络(DCGAN)的半生成式视频隐写方案。该方案中,设... 详细信息

生成式隐写通过生成足够自然或真实的含密样本来隐藏秘密消息,是信息隐藏方向的研究热点,但目前在视频隐写领域的研究还比较少。结合数字化卡登格的思想,提出一种基于深度卷积生成对抗网络(DCGAN)的半生成式视频隐写方案。该方案中,设计了基于DCGAN的双流视频生成网络,用来生成视频的动态前景、静态后景与时空掩模三个部分,并以随机噪声驱动生成不同的视频。方案中的发送方可设定隐写阈值,在掩模中自适应地生成数字化卡登格,并将其作为隐写与提取的密钥;同时以前景作为载体,实现信息的最优嵌入。实验结果表明,该方案生成的含密视频具有良好的视觉质量,Frechet Inception距离(FID)值为90,且嵌入容量优于现有的生成式隐写方案,最高可达0.11 bpp,能够更高效地传输秘密消息。

关键词：视频隐写半生成式深度学习深度卷积生成对抗网络对抗性训练数字化卡登格

来源：评论

学校读者我要写书评

暂无评论

多分类深度卷积生成对抗网络的皮带撕裂检测

引用

计算机工程与应用 2021年第16期57卷 269-275页

作者：孟晓娟张月琴郝晓丽吕进来太原理工大学信息与计算机学院山西晋中030600

皮带撕裂是皮带机出现的最常见故障之一,直接影响皮带机的安全稳定运行。针对现有的方法大多仅对一种破损类型进行检测的情况,设计了一种基于双时间尺度的多分类深度卷积生成对抗网络的皮带撕裂检测方法。利用CCD相机捕获皮带表面图像,... 详细信息

皮带撕裂是皮带机出现的最常见故障之一,直接影响皮带机的安全稳定运行。针对现有的方法大多仅对一种破损类型进行检测的情况,设计了一种基于双时间尺度的多分类深度卷积生成对抗网络的皮带撕裂检测方法。利用CCD相机捕获皮带表面图像,并经数据传输子系统将图像传送到决策子系统;在决策子系统的处理模块,通过去掉生成器的批量归一化操作,由多分类深度卷积生成对抗网络快速得到破损位置和类型;引入双时间尺度更新规则使得模型更快地收敛。实验结果表明,在MS COCO数据集上,多类别平均精确率为95.7%;在皮带图像数据集上,多类别平均精确率为96.9%。

关键词：皮带机双时间尺度更新规则多分类深度卷积生成对抗网络皮带撕裂检测

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积生成对抗网络和量子K近邻的图像处理算法

基于深度卷积生成对抗网络和量子K近邻的图像处理算法

引用

作者：刘秀勋南昌大学

学位级别：硕士

自进入大数据时代以来,人们在日常生活中难免会产生越来越多的图像数据。图像作为大数据的主要形式,其数据规模急剧增长。图像去噪和分类的研究面临着越来越大数据集的挑战。图像去噪和分类的难点之一是处理过程中的计算量极大,导致图... 详细信息

自进入大数据时代以来,人们在日常生活中难免会产生越来越多的图像数据。图像作为大数据的主要形式,其数据规模急剧增长。图像去噪和分类的研究面临着越来越大数据集的挑战。图像去噪和分类的难点之一是处理过程中的计算量极大,导致图像的处理速度和处理效果不理想,同时还会消耗大量的计算资源。因此,为了解决这个问题,本文将量子计算与传统图像处理算法相结合,在深度卷积生成对抗网络和K近邻算法的基础上,设计并实验了两种图像算法。主要研究工作如下:受博弈论中零和博弈思想的启发,提出了一种改进的深度卷积生成对抗网络图像去噪算法。该图像去噪算法采用去噪自编码器作为生成器,深度卷积神经网络作为判别器,通过两者之间多次的对抗训练,达到获得较好的图像去噪效果的目的。在MNIST数据集上对提出的图像去噪算法进行了仿真实验,并将提出的图像去噪算法、三维块匹配图像去噪算法和去噪卷积神经网络算法之间进行了比较,实验结果表明经本文提出的图像去噪算法处理后的图像不仅具有相对良好的视觉效果,而且在图像的质量评价指标方面也有较好的表现。结合量子计算理论提出了一种基于K-L变换的量子K近邻图像分类算法。采用K-L变换提取图像特征。其次,通过量子编码将图像特征映射到量子态中。然后计算图像特征之间的汉明距离,并用汉明距离来表示图像之间的相似度。接下来采用新的距离加权k值分类方法对图像进行分类。最后,通过测量量子态得到图像的分类结果。理论分析表明,提出的量子K近邻图像分类算法的时间复杂度仅为O(?),相较于经典K近邻算法有显著的降低。基于MNIST、Fashion-MNIST和CIFAR-10数据集的仿真实验表明,本文所提出的量子K近邻算法具有较高的分类精度。

关键词：量子计算图像去噪图像分类深度卷积生成对抗网络 K近邻算法 K-L变换

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积生成对抗网络的语音增强方法研究

基于深度卷积生成对抗网络的语音增强方法研究

引用

作者：张相楠东北师范大学

学位级别：硕士

语音是人与人之间交流的重要方式,但在现实中语音通常受到噪声的干扰,因此从嘈杂的环境中提取近似纯净的语音成为研究重点。语音增强是语音信号处理的重要领域,用以解决语音降噪问题,并已应用于通信等领域。传统的基于统计模型的语音增... 详细信息

语音是人与人之间交流的重要方式,但在现实中语音通常受到噪声的干扰,因此从嘈杂的环境中提取近似纯净的语音成为研究重点。语音增强是语音信号处理的重要领域,用以解决语音降噪问题,并已应用于通信等领域。传统的基于统计模型的语音增强方法,需要先假设语音和噪声服从某种分布,估计出噪声的能量信息,但噪声具有多样性与不稳定性,导致语音降噪不彻底,存在残留噪声或音乐噪声现象,因此并不理想。随着深度学习的兴起,各种神经网络模型能够很好的学习数据间的非线性关系应用于诸多领域,其中生成对抗网络(Generative Adversarial Networks,GAN)从提出以来已经成为最受欢迎的网络模型,并在图像处理方面取得了很好的效果,但应用于语音增强处于初级阶段。基于普通神经网络的语音增强方法往往忽略了相位的问题,而基于生成对抗网络的语音增强方法虽然减弱了噪声,但降噪后的语音往往会丢失部分信息,高频部分恢复能力较低,同时语音的可懂度及降噪能力有待提升,导致降噪效果仍然不太理想。为了解决上述问题,提高降噪效果,本文提出了基于深度卷积生成对抗网络(Deep Convolution Generative Adversarial Networks,DCGAN)的网络模型进行语音增强,以下为本文主要工作:针对传统方法降噪效果不佳,同时加强基于生成对抗网络增强方法的语音恢复能力和降噪效果,本文采用深度卷积对抗网络建模进行语音去噪,通过多层卷积操作提取有效特征并提高对语音的恢复能力。将GAN的生成器采用U-net结构进行改进,加入了跳跃连接,避免由于网络层数过深出现的信息丢失问题,保留更多特征的细节信息,增强语音降噪效果。针对基于DCGAN语音增强方法在低信噪比时残留部分噪声,导致分段信噪比偏低的问题,本文提出了基于WDCGAN的语音增强方法,采用Wasserstein距离代替交叉熵作为损失函数,增强网络学习能力,进一步降低噪声信息,从而提高语音的分段信噪比,实现语音增强。

关键词：语音增强深度卷积生成对抗网络 Wasserstein距离

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积生成对抗网络的图像补全研究

基于深度卷积生成对抗网络的图像补全研究

引用

作者：左凯楠西北大学

学位级别：硕士

在过去的数年内,伴随着深度学习的不断演进与计算机算力的提升,计算机视觉任务取得了长足而全面的发展。在计算机视觉任务当中,基于语义的图像补全问题是其中的热点,也是难点之一。传统的图像补全方法仅将修复图像与原图之间的结构相似... 详细信息

在过去的数年内,伴随着深度学习的不断演进与计算机算力的提升,计算机视觉任务取得了长足而全面的发展。在计算机视觉任务当中,基于语义的图像补全问题是其中的热点,也是难点之一。传统的图像补全方法仅将修复图像与原图之间的结构相似性作为补全重点,取得了一定的成效,然而在面对大面积的缺失图像的补全时,这些方法却无能为力。近年来,随着深度学习的不断发展,基于深度模型,特别是深度生成模型的方法由于其能够全面利用待补全图像与原图的语义信息,获得了更好的效果。虽然相比于传统的补全方法,基于深度模型的图像补全算法能够取得更好的效果,但仍然存在着图像补全部分不清晰甚至补全失败的情况。鉴于此,本文提出了两个基于深度卷积生成对抗模型的图像补全算法,对原有的方法进行了一定的改进。具体内容如下:1.设计了基于深度卷积生成对抗网络的普通图像补全算法。为了使补全的图像与原始图像更接近,我们将补全任务设定为条件图像生成任务,即在训练阶段学习到训练数据的分布,在补全时利用训练好的深度卷积生成对抗网络,寻找在数据流形上与待补全图像最接近的图像特征嵌入;同时设计了内容损失与重建损失,帮助搜索到最佳的数据流形;此外,我们还设计了基于深度卷积神经网络的一致性损失,来约束生成图像与原始图像在深度特征空间的一致性。该方法有效地提高了补全图像的细节与真实性。2.提出了基于单生成网络多判别网络的人脸图像补全算法。为了使得待补全部分与原图的细节更为贴近,我们在原始的深度卷积生成对抗网络的全局判别网络基础上增加了针对待补全部分的区域判别网络,进一步细化待补全部分的细节信息。基于上述的模型,我们在已有的全局判别网络上增加了区域判别网络结构。此外,我们还引入了近邻损失,使得补全图像与真实图像在像素层面与结构层面均保持相似,从而提升补全图像的语义与细节信息,有效地提高了补全图像的质量。

关键词：图像补全深度卷积生成对抗网络人脸图像补全

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积生成对抗网络的苹果叶片病害识别研究

基于深度卷积生成对抗网络的苹果叶片病害识别研究

引用

作者：朱正明河南农业大学

学位级别：硕士

苹果作为全球消费量巨大的水果之一,其种植过程中面临着诸多病害和害虫的威胁,因此病害管理是苹果种植中至关重要的一环。现代农业技术,包括机器视觉和深度学习技术的应用,正逐渐改善苹果病害的识别和管理。然而,苹果病害图像数据不足... 详细信息

苹果作为全球消费量巨大的水果之一,其种植过程中面临着诸多病害和害虫的威胁,因此病害管理是苹果种植中至关重要的一环。现代农业技术,包括机器视觉和深度学习技术的应用,正逐渐改善苹果病害的识别和管理。然而,苹果病害图像数据不足是一个普遍存在的问题,深度学习模型通常需要大量带标签的数据才能充分发挥其性能。因此,本文以苹果叶片病害图像为研究对象,在数据不足的小样本学习场景下,分别构建了高分辨率的病害图像生成模型,和精准有效的苹果叶片病害识别模型。结合深度学习技术和智能数据增强策略,对苹果病害图像进行识别和分类,不仅能够提高模型的准确率和泛化能力,还能进一步为苹果产业的可持续发展提供有力的技术支持。这种方法的成功实践,将对农业领域的数字化转型产生深远的影响。具体研究内容如下: 1.基于改进深度卷积生成对抗网络苹果叶片病害图像数据增强方法的研究。针对苹果病害数据稀缺且难以获取的问题,而传统的深度卷积生成对抗网络(DCGAN)生成图像像素低、质量差和尺寸较小的缺点。本文提出一种新的DCGAN(SWDCGAN+)数据增强方法,通过对原始DCGAN加深网络模型,生成图像尺寸由原始的64×64×3低分辨率像素提高到224×224×3的高分辨率像素。同时分别将Leaky Re LU和Re LU激活函数改进为Ge LU激活函数,实现模型全局损失降低,使学习特征更加稳定。采用带梯度惩罚项的Wasserstein距离替换原始损失函数,以确保模型训练的稳定性。此外,在判别器中引入了谱归一化层,以进一步提高网络结构的稳定性。为了验证所提出改进模型的性能以及评估生成图像的质量和多样性,采用了Gan-train、Gan-test和FID三大评价指标进行评估。实验结果表明,该方法能够有效解决原始网络训练不稳定和生成图像像素低、尺寸较小的问题,同时生成病害图像有助于识别网络快速提取病害特征,加速了网络的收敛速度。 2.基于滑动窗口自注意力机制改进的图卷积网络小样本学习分类方法的研究。利用Swin Transformer作为网络特征提取模块,将图像的高维特征提取为图神经网络中的节点特征,在获取全局信息的同时,也能够捕获图像的局部信息。在基于图卷积网络的图像识别中,将病害特征矩阵构建成无向相似性图,并通过图卷积实现了病害图像节点之间的特征传播。在GCN层之后引入图注意力网络,更好地捕捉图数据中节点之间的关联信息。为验证改进模型的有效性,本文提出的模型(STGCN+)在包含8种病害的苹果叶片病害数据集上进行了与Alex Net、Vgg16Net、Google Net和Res Net34的对比实验,以及基于Grad CAM的可视化实验。结果表明,本文提出的STGCN+模型在苹果病害图像识别任务中表现出了97.3%的高准确率,明显领先于其他网络模型。

关键词：苹果叶片病害深度卷积生成对抗网络图卷积网络图像识别

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积生成对抗网络的葡萄叶片病害识别研究

基于深度卷积生成对抗网络的葡萄叶片病害识别研究

引用

作者：申蜜蜜山东农业大学

学位级别：硕士

葡萄是四大水果之首,因具有软化血管、延缓衰老的功效而深受公众喜爱,但与传统的非洲种植葡萄园国家相比仍存在差距。葡萄极易感染病害且病害症状表现多为相似,而果农缺乏精准的病害识别技术,就会引起农药的不合理使用,造成葡萄品质较差... 详细信息

葡萄是四大水果之首,因具有软化血管、延缓衰老的功效而深受公众喜爱,但与传统的非洲种植葡萄园国家相比仍存在差距。葡萄极易感染病害且病害症状表现多为相似,而果农缺乏精准的病害识别技术,就会引起农药的不合理使用,造成葡萄品质较差,产量下降等问题。因此,本文以葡萄叶片病害图像为研究对象,基于高分辨率生成图像的数据增强技术,构建了精准有效的葡萄叶片病害识别模型,从而在果农的产量提高和土壤的保护方面起到了重要作用。具体研究内容如下:(1)基于深度卷积生成对抗网络的葡萄叶片病害数据增强算法的研究。针对病害数据难采集而原始的深度卷积生成对抗网络(DCGAN)生成病害图像尺寸小、像素低和不易切割的特点。本文提出了一种新的DCGAN(I-DCGAN)数据增强方法,通过对DCGAN进行扩大网络结构分辨率,改进激活函数和优化学习率的方法,实现了模型的快速收敛。为进一步实现葡萄叶片病害特征的深度提取,模型中引入了残差块,并采用FID和Avg-SSIM两大评价指标,验证生成图片的有效性和多样性。实验结果表明,该算法可以解决原始网络分辨率低、图像尺寸小和不易切割问题,同时,生成数据有利于病害特征的快速提取,从而实现网络快速收敛。(2)基于Dense Net121葡萄叶片病害识别算法的研究。针对传统的葡萄叶片病害识别效率低、收敛速度慢和误差大的问题,在I-DCGAN数据增强技术上,本文提出了改进Dense Net121的葡萄病害识别方法。通过在原始Dense Net121模型Dense Block上添加选择性内核神经单元(SK),将SK嵌入到每个稠密块当中,从而实现对输入病害特征区域的深度提取。为进一步优化网络模型的结构和提高模型的准确率,模型又引入了高效通道注意力机制。实验结果表明,改进后的模型在占用存储空间和识别速度方面较原始网络有一定提升且识别准确率在96.53%,高于原始Dense Net121的92.88%。(3)葡萄叶片病害识别系统的研发。本文研发了基于Py Qt5的葡萄叶片病害识别系统,实现了葡萄病害识别系统的可视化、精准化和快速化。该系统界面包括病害信息、模型选择、模型识别、防治建议、病害统计、用户记录和帮助七个界面,该系统方便快捷,易于使用,可有效帮助果农实现葡萄叶片病害的快速识别。

关键词：葡萄叶片病害深度卷积生成对抗网络图像识别学习率

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积生成对抗网络的皮带破损检测方法

基于深度卷积生成对抗网络的皮带破损检测方法

引用

作者：孟晓娟太原理工大学

学位级别：硕士

皮带输送机是煤矿井下开采所需的十分重要的工具,其在安全生产中肩负着十分重大的责任。在生产过程中,由于恶劣的工作环境、经常出现混有棱角的矸石、细杆状物等尖锐物体等问题,皮带通常会伴随有划痕,划伤的出现,甚至会发生撕裂这样的... 详细信息

皮带输送机是煤矿井下开采所需的十分重要的工具,其在安全生产中肩负着十分重大的责任。在生产过程中,由于恶劣的工作环境、经常出现混有棱角的矸石、细杆状物等尖锐物体等问题,皮带通常会伴随有划痕,划伤的出现,甚至会发生撕裂这样的严重破损,这些问题可能会威胁井下人身安全,还可能使煤矿造成一定的财产损失。为此,寻求准确并且实时的皮带破损检测的方法,是现在一个很有意义的课题。但是现存的检测方法,对于皮带破损图像,仅能对一种破损类型进行准确检测,不利于皮带后期的保护和检测;好多的检测的方法需要进行边缘提取、二值化和图像去噪等预处理操作,容易造成计算时间冗长。近年来,随着深度学习的出现,其在使用大规模数据训练网络提取目标特征方面具有优势。其中,深度卷积生成对抗网络(DCGAN)是一种深度学习模型。当将DCGAN及其改进算法应用于皮带破损检测时,由于上采样特征提取时使用批量归一化,使得生成器中像素空间不均匀覆盖,容易产生伪影,导致生成器学习到的特征出现偏差,进而影响皮带破损类型的准确检测。其次,鉴别器主要使用二分类sigmoid函数,该函数只能输出两个类别,不能识别三种破损类型。此外,生成器和鉴别器一般使用的学习率是相同的,在训练中,生成器更新几次,而鉴别器仅更新一次,这使得鉴别器过早地达到局部最优,从而导致模式崩溃。另外,由于生成器和鉴别器模型的网络层数较多,生成器和鉴别器经过多个卷积层后,可能使得学习到的特征出现部分丢失,导致特征不完整,影响皮带撕裂的准确检测。针对以上问题,本文提出了两种皮带破损检测方法,它们分别是:基于深度卷积生成对抗网络的算法和基于条件深度卷积生成对抗网络的方法,主要贡献如下:(1)对于深度卷积生成对抗网络的皮带破损检测方法中,1)关于生成器模型使用批量归一化操作,在生成的传送带图像中容易产生伪影,影响传送带破损的准确检测,且批量归一化容易造成计算时间冗长和内存占用,本文将生成器中的批量归一化去掉,不仅能提高破损检测的准确性,而且能减少网络训练的时间。2)针对深度卷积生成对抗网络的鉴别器不能用于识别多种对象类型,本文将鉴别器的输出使用多分类softmax函数,以输出类别概率的向量,对传送带破损出现的划痕、划伤及撕裂进行准确分类。3)针对鉴别器和生成器多使用相同的学习率,使得模型易出现崩溃,本文将采用双时间尺度更新规则来进行网络模型的训练更新,生成器和鉴别器使用不同的学习率,并按α:β进行更新,不但能够维持对抗平衡的状态,而且提高了鉴别器的训练速度,可以使皮带破损检测的效果更好。(2)对于条件深度卷积生成对抗网络的皮带破损检测方法中,为避免生成器和鉴别器学习到的特征不完整,本文在训练时,在生成器和鉴别器模型中,加入了跳层连接,不仅能提高收敛速度,而且还能避免特征部分丢失,从而提高检测精度。

关键词：深度卷积生成对抗网络皮带破损检测双时间尺度更新规则跳层连接

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积生成对抗网络的小样本植物病害识别问题研究

基于深度卷积生成对抗网络的小样本植物病害识别问题研究

引用

作者：蔡高勇重庆大学

学位级别：硕士

某些检疫性植物病害,由于其传染性强、传播途径广、危害性大等特点,难以获得大量的样本,数据存在着严重的不均衡性,在应用深度学习方法对其进行分类识别时很难取得理想的效果。本文采用深度卷积生成对抗网络(DCGAN)对样本集进行扩充,使... 详细信息

某些检疫性植物病害,由于其传染性强、传播途径广、危害性大等特点,难以获得大量的样本,数据存在着严重的不均衡性,在应用深度学习方法对其进行分类识别时很难取得理想的效果。本文采用深度卷积生成对抗网络(DCGAN)对样本集进行扩充,使得扩充后的样本集中正负样本比例大致为1:1,且样本集规模都达到万级。利用扩充后的样本集进行分类实验,提高对小样本植物病害的分类准确率,实现对小样本植物病害的自动识别与检测。就DCGAN实验的改进而言,在卷积层和批量规范化(BN)层之间加入了自定义的Mute层,以解决鉴别器判别过于严格导致生成器无法学习到样本分布的问题,并能解决使用Dropout时遇到的方差偏移问题,进而提高生成样本的质量。此外,从生成样本与原始样本相似性的角度出发,提出了一种评价生成样本质量的方法,并选出了生成效果较好的生成模型。在病斑样本的识别分类实验中,卷积神经网络80%的神经元都集中在全连接层部分,使得网络训练的时候速度很慢,本文从减轻网络负载的角度出发,去掉了一层全连接层和两层卷积层,使网络的参数减小了一个量级,提升了网络训练的速度。在分类准确率方面,引入迁移学习的方法,对分类效果进行提升。最后提出使用增量学习的方法对训练好的网络模型进行更新,并在测试数据集中加入增量数据,以期增量学习后,在提高原始测试样本分类准确率的同时,新加入的数据集也能具有理想的分类效果。本文根据生成样本质量评价方法选出了效果较好的生成模型。优化后的Alexnet网络,其训练速度降速度原来的一倍,在扩充后的样本集中使用卷积神经网络对柑橘溃疡病进行分类,并引入增量学习的方法对训练好的网络模型进行更新。加入增量后其查全率提高到97.52%,F1值提高到89.88%,准确率提高到98.91%。初步满足了实际应用的需求,为柑橘溃疡病的自动诊断、推广、普及、使用方便性奠定了基础。

关键词：深度卷积生成对抗网络卷积神经网络方差偏移批量规范化增量学习

来源：评论

学校读者我要写书评

暂无评论

基于半监督深度卷积生成对抗网络的注塑瓶表面缺陷检测模型

引用

计算机科学 2020年第7期47卷 92-96页

作者：谢源苗玉彬许凤麟张铭上海交通大学机械与动力工程学院上海200240

注塑瓶表面缺陷检测是注塑成型工艺流程中的重要环节,但生产中存在缺陷的注塑瓶样本数量相对匮乏,使得应用深度学习算法进行缺陷检测时容易产生过拟合现象。针对上述问题,文中提出并构建一种半监督(Semi-supervised)深度卷积生成对抗网... 详细信息

注塑瓶表面缺陷检测是注塑成型工艺流程中的重要环节,但生产中存在缺陷的注塑瓶样本数量相对匮乏,使得应用深度学习算法进行缺陷检测时容易产生过拟合现象。针对上述问题,文中提出并构建一种半监督(Semi-supervised)深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Network,DCGAN)模型。该模型首先使用HSV(Hue Saturation Va-lue)颜色空间转换与大津算法(Otsu)对原始注塑瓶图像进行预处理得到训练集;然后组合学习任务,使得DCGAN的无监督判别器与注塑瓶表面缺陷检测的监督分类器共享卷积层参数,同时修改损失函数,在DCGAN模型的Wasserstein距离中加入交叉熵;最后使用Adam优化器进行模型训练。实验结果表明,该模型能够准确分辨具有缺陷的注塑瓶样本,分类准确率达到98.65%。与传统的机器学习算法以及采用数据增强的卷积神经网络模型相比,所提模型的分类准确率更高,且较好地避免了过拟合现象,能满足注塑瓶生产中表面缺陷的自动检测需求。

关键词：深度卷积生成对抗网络半监督小样本缺陷检测注塑瓶

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：