检索结果-内蒙古大学图书馆

电子学报 2022年第9期50卷 2155-2163页

作者：沈鹏飞徐臻王英中国电子科技南湖研究院浙江嘉兴314001 吉林大学计算机科学与技术学院吉林长春130012

当前网络嵌入研究更多关注信息网络结构和结点之间一阶或高阶近似关系,对于网络结点自身属性考虑较少.本文提出一种嵌套的生成对抗网络模型N-GAN(Nesting Generative Adversarial Networks for Network Embed⁃ding),实现了网络结构和节... 详细信息

当前网络嵌入研究更多关注信息网络结构和结点之间一阶或高阶近似关系,对于网络结点自身属性考虑较少.本文提出一种嵌套的生成对抗网络模型N-GAN(Nesting Generative Adversarial Networks for Network Embed⁃ding),实现了网络结构和节点属性同时嵌入到低维向量,从而最大程度保存原始高维信息网络特征.N-GAN模型设计灵活,具有很好的延伸性和扩张性,并在真实数据上验证了N-GAN的性能及其稳定性,其嵌入的低维表示在不同应用中表现出不错的性能.

关键词：数据挖掘网络嵌入生成对抗学习信息网络

来源：评论

学校读者我要写书评

暂无评论

基于聚类和生成对抗学习模型的滤波器剪枝

引用

计算机应用与软件 2024年第1期41卷 253-260页

作者：冯叶棋张俊三邵明文张世栋中国石油大学(华东)计算机科学与技术学院山东青岛266580 国网山东电科院山东济南250003

深度神经网络过深的网络架构和冗余的参数会导致昂贵的计算成本,近年来深度神经网络的压缩与加速已成为研究热点。针对现有方法的范数准则局限性以及标签依赖问题,提出一种基于聚类中心和生成对抗学习的结构化滤波器剪枝方法(FPCC-GAN)... 详细信息

深度神经网络过深的网络架构和冗余的参数会导致昂贵的计算成本,近年来深度神经网络的压缩与加速已成为研究热点。针对现有方法的范数准则局限性以及标签依赖问题,提出一种基于聚类中心和生成对抗学习的结构化滤波器剪枝方法(FPCC-GAN):使用K-means聚类算法按卷积层将滤波器逐层聚类;比例化修剪各簇内离聚类中心较近的提取冗余特征的滤波器;使用生成对抗学习迭代训练。实验结果分析表明,与当前主流方法相比,该方法具有更高的准确率。

关键词：网络压缩深度神经网络加速参数剪枝聚类生成对抗学习

来源：评论

学校读者我要写书评

暂无评论

基于半监督生成对抗学习的煤流表面异物检测

基于半监督生成对抗学习的煤流表面异物检测

引用

作者：姜志鹏中国矿业大学

学位级别：硕士

煤炭从采掘面向地面运输的过程中会掺杂锚杆、大块煤石等异物,易造成传送装置破损,导致煤矿安全生产事故的发生,严重时会威胁工作人员人身安全。带式输送机煤流中的异物检测对实现煤矿安全高效生产、促进智能矿山建设具有重要意义。传... 详细信息

煤炭从采掘面向地面运输的过程中会掺杂锚杆、大块煤石等异物,易造成传送装置破损,导致煤矿安全生产事故的发生,严重时会威胁工作人员人身安全。带式输送机煤流中的异物检测对实现煤矿安全高效生产、促进智能矿山建设具有重要意义。传统基于有监督学习的目标检测方法需要大量有标记的图像数据,而现实工矿场景下包含异物的煤流图像较难捕获且异物种类多变,方法的有效性和适用性受到限制。鉴于此,本文使用半监督的学习策略,研究基于生成对抗学习的煤流表面异物检测模型,主要包括以下内容:针对正常煤流数据冗余且样本不均衡的问题,研究建模数据清洗、特征提取方式及算法流程的优化。首先,考虑到数据中存在大量空载及停转等原因导致的正常样本冗余现象,利用感知Hash(perception Hashing,p Hash)算法清洗建模数据,通过离散余弦变换对图像频率分量进行分析及筛选后降重。然后,研究基于自编码模型与聚类相结合的异物识别,在自编码模型的训练过程中使模型更加关注于图像本身的特征信息,有效缓解样本不均衡对特征提取带来的影响。最后,在聚类结果的子类上对异物数据进行检测,在测试集上对异物召回率达到59%。为进一步提高模型对未知异物类别的判断力,提出基于半监督生成对抗学习的煤流表面异物检测算法,在训练阶段彻底摆脱对异常煤流图像的依赖,以提高未知异物类别检测的鲁棒性。一方面,考虑到生成器模块在编码到解码过程中的信息损失,提出精简的跨通道注意力机制,引导网络削弱无用背景信息的同时提高对煤流运动区域的参数权重。另一方面,提出了多尺度特征融合模块,利用多尺度的特征图提取不同感受野下的空间及通道特征。单张图像的推理时间仅为0.0071s,满足实际煤矿检测工作的需要。此外,为了验证所提方法的有效性和适用性,在自建数据集和两个公共数据集上进行了实验。结果表明,该方法可以有效利用不同层级的特征信息,获得高质量的识别效果,优于最新的基于生成对抗网络的异物检测模型将上述算法集成封装,基于Python及Py Qt开发了一套操作便利、界面友好的煤流异物检测软件,主要包括实时检测、历史数据检测以及历史检测数据查询等模块,可以实现模型调用、视频流及图像检测以及数据存储等功能,有助于异物检测技术在煤矿企业的应用。该论文有图30幅,表13个,参考文献91篇。

关键词：异物检测生成对抗学习多尺度特征融合

来源：评论

学校读者我要写书评

暂无评论

基于去中心化生成对抗学习的医学图像小样本分割方法研究

基于去中心化生成对抗学习的医学图像小样本分割方法研究

引用

作者：梁俊钊华南理工大学

学位级别：硕士

虽然基于全监督训练的深度卷积神经网络在自动化图像语义分割任务上取得了巨大的成功,但是在应用到医学图像上时,训练数据由于需要耗费大量的人力和时间成本数量严重下降,因此全监督分割方法的性能也随之下降,无法胜任分割任务。在其他... 详细信息

虽然基于全监督训练的深度卷积神经网络在自动化图像语义分割任务上取得了巨大的成功,但是在应用到医学图像上时,训练数据由于需要耗费大量的人力和时间成本数量严重下降,因此全监督分割方法的性能也随之下降,无法胜任分割任务。在其他开源数据集上进行训练然后通过网络参数微调或域适应方法在目标数据集上进行应用的无监督方法在训练数据集和目标数据集差异不大时具有一定效果,但是医学图像类型多、纹理和结构差异大,导致无监督方法只能得到次优的结果。而小样本分割方法能够在仅使用少量的标注数据的同时保持良好的分割性能,因此在临床应用上更具有前景。我们总结出了现有基于生成对抗学习的医学图像小样本分割方法的缺陷:(1)生成图像的真实性和多样性受限于基于中心标注样本的中心化生成方式;(2)标注图像需要属于同一个扫描样本,具有相似的纹理和结构,对此进行标注导致有限手工标注的信息密度低。针对上述缺陷,我们在现有的小样本分割方法上进行改进并提出了新的基于去中心化生成对抗学习的医学图像小样本分割方法。本文提出的算法在生成对抗网络的训练中使用了基于可微变换的数据增广,在图像生成过程中使用了随机向量截断,提高了生成图像的真实性和多样性;在选择生成图像作为标注图像的过程中设置了一个所包含组织种类数量的下限,提高了有限手工标注的信息密度;使用双向特征金字塔网络对表征进行多尺度特征融合处理,并节约了算法所需要的计算资源;使用焦点损失函数,降低了类别不平衡对算法造成的过拟合影响。从而解决了现有算法依赖中心化生成对抗学习和手工标注信息密度低的问题。首先,我们在两个具有不同纹理和结构的脑部磁共振图像数据集上的多目标小样本分割任务上与现有算法进行了对比实验,提出算法分别在两个数据集上得到了 2.1和3.5个百分点的提升。其次,我们验证了算法的图像和对应标注的生成能力,生成图像在FID指标上相比现有算法下降了 5以上。再次,我们探索了不同算法设置、不同标注量以及各项改进措施对算法的影响。另外,我们还验证了算法的无监督域适应分割性能和在甲状腺超声图像数据集上的适用性。最后,我们验证了图像重映射在医学图像上的不适用性。综上,我们通过多项实验定量和定性地论证了本文提出的算法在多种类型的医学图像上进行小样本单目标或多目标分割的有效性。

关键词：生成对抗学习数据增广医学图像小样本学习图像分割

来源：评论

学校读者我要写书评

暂无评论

基于生成对抗学习的图像去雾研究

基于生成对抗学习的图像去雾研究

引用

作者：陈怡姿厦门大学

学位级别：硕士

图像去雾是计算机视觉领域中的热点研究方向之一。在人工智能(Artificial Intelligence,AI)技术高速发展的今天,安保监控、无人车驾驶等计算机视觉相关技术广泛应用于工业场景,这些技术高度依赖图像信息,因此对有雾天气下传感设备获取... 详细信息

图像去雾是计算机视觉领域中的热点研究方向之一。在人工智能(Artificial Intelligence,AI)技术高速发展的今天,安保监控、无人车驾驶等计算机视觉相关技术广泛应用于工业场景,这些技术高度依赖图像信息,因此对有雾天气下传感设备获取的降质图像进行图像去雾是一项重要的视觉任务。图像去雾旨在恢复图像细节,提高图像对比度等,可提高后续任务准确度。现存的去雾方法仍存在诸多问题,比如,当前许多去雾方法通过求解大气散射模型得到清晰图像,大气散射模型本身及其求解过程存在不可避免的误差。另外,当前算法以客观指标为导向,视觉质量被忽略,同时不均匀分布的雾也不能被较好地处理,因此恢复图像在视觉质量上有待提高。而且,当前方法依赖于有完全标记的成对数据集,方法泛化能力有待提高。针对以上几个问题,本文主要研究三个方面的内容:生成对抗学习去雾、自适应分流注意力机制去雾、弱监督去雾,用新的机器学习方法解决图像去雾问题,提高图像恢复的性能,减少对数据库的依赖。本文主要贡献点包括以下三个方面:1、提出了基于生成对抗学习的增强Pix2Pix去雾方法。现有图像去雾方法大多依赖于大气散射模型,建模过程中简化实际条件,求解模型过程需要对中间参数进行估计,从而带来不可避免的误差。本文提出嵌入式生成对抗网络模型和对抗训练策略,将图像去雾任务处理为图像风格迁移问题,不再依赖大气散射模型求解。该模型不仅可以有效提升去雾性能,还能使得去雾结果的细节更加生动自然,符合人眼观测习惯,提升了去雾结果的视觉质量。各个方面的实验结果表明本文提出的方法能更有效地去雾,模型鲁棒性高、泛化性能强,去雾结果具有真实感,在定性与定量的比较中,表现突出,优于同期算法。2、提出基于自适应分流注意力机制的去雾方法。自然场景中雾的分布往往是浓淡不均的,当前算法缺乏对雾的分布的讨论,导致其去雾结果质量不佳。为此本文提出自适应分流注意力机制,设计基于自适应分流注意力机制的自适应分流加权模块,做到自适应区分浓雾与薄雾区域,对浓雾与薄雾区域进行分流,“浓雾区域多学习、多处理,薄雾区域少学习、少处理”。该方法不仅使去雾后的结果更加均匀自然,同时可迁移至其他模型,提升其他模型去雾性能。大量实验表明,本文提出的基于自适应分流加权的去雾方法在浓雾、雾不均匀的场景中具有优越的去雾性能,方法适用于多种模型。3、提出雾浓度标签引导的弱监督去雾方法。当前绝大多数深度学习去雾方法依赖有完全标记的成对有雾数据集,而成对数据集采集难度大,成本高昂。为解耦配对数据集与模型间的约束关系,本文提出基于生成对抗学习的弱监督去雾方法,基于第一个创新点中的风格迁移思路,将有监督的风格迁移扩展至弱监督风格迁移,使用不配对的数据集也能训练出稳定效果的去雾模型。大量实验表明,本文提出的弱监督方法能稳定有效地去雾,优于当前无监督/弱监督流行方法,为相对空白的无监督/弱监督图像去雾增添一份理论基础。

关键词：图像去雾生成对抗学习自适应分流注意力机制弱监督

来源：评论

学校读者我要写书评

暂无评论

基于生成对抗学习的煤岩显微图像超分辨率重建

基于生成对抗学习的煤岩显微图像超分辨率重建

引用

作者：朱威铭中国矿业大学

学位级别：硕士

煤岩显微组分含量与煤的理化性质和工业用途密切相关,是煤相分析及煤成因分析的基础,同时也是煤炭分质、分级的重要指标。受益于效率高、客观性强等优势,基于图像分析的显微组分识别逐渐成为煤岩学工业应用的趋势。高清晰度的煤岩显微... 详细信息

煤岩显微组分含量与煤的理化性质和工业用途密切相关,是煤相分析及煤成因分析的基础,同时也是煤炭分质、分级的重要指标。受益于效率高、客观性强等优势,基于图像分析的显微组分识别逐渐成为煤岩学工业应用的趋势。高清晰度的煤岩显微图像是保证显微组分识别精度的基础,然而,受限于采集设备精度低、人工操作不规范等因素,实际采集到的煤岩显微图像存在分辨率不足、模糊失真的问题,无法满足组分分析任务的需求,因此需要对低分辨率的图像进行高清重建。相较于传统图像重建算法,基于深度学习的超分辨率重建算法具有精度高、鲁棒性强等优势。鉴于此,本文以还原出高保真度、纹理清晰的煤岩显微图像为目标,研究基于深度学习的煤岩显微图像超分辨率重建方法,主要内容如下:针对传统卷积神经网络重建图像细节模糊、视觉观感差的问题,构建了基于生成对抗网络的超分辨率重建模型。首先,在模型的生成器中设计了一种嵌套残差结构的宽度残差模块,该模块使用子残差结构替代传统残差模块中的批归一化层,在使重建图像的色彩和对比度更加贴近真实图像的同时,增强了模型对深层语义信息的表征能力。另外,在判别器中使用Mish激活函数来提升模型的非线性表达能力。实验结果表明,该生成对抗网络在测试集上的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和结构相似度(Structural Similarity,SSIM)分别达到了30.6882和0.8997,优于其他经典超分辨率重建算法。消融实验结果证实了宽度残差模块和Mish激活函数的有效性。针对现有模型结构无法充分利用不同特征层之间关联信息的问题,在模型的生成器中嵌入了多尺度注意力(Multi-scale Attention,MA)模块,该模块可以跨尺度捕获非局部的特征关联信息。针对MA模块的位置和模块中特征金字塔的层数进行了对比实验,结果表明在生成器中段嵌入具有5层特征金字塔结构的MA模块可以取得最高的PSNR和SSIM,分别为31.1210和0.9055。针对目前缺少开源煤岩显微图像重建工具的问题,本文基于Py Qt5开发了一款集成上述模型的软件,可以实现图像增强和超分辨率重建的功能,为科研人员获取高分辨率、可用于研究分析的煤岩显微图像提供了便利。该论文共有图49幅,表9个,参考文献90篇。

关键词：煤岩显微图像图像超分辨率重建生成对抗学习多尺度注意力

来源：评论

学校读者我要写书评

暂无评论

基于多源域对抗迁移学习的可穿戴情绪识别技术

引用

计算机学报 2024年第2期47卷 266-286页

作者：邹永攀王丹阳王丹郑灿林宋奇峰朱毓正范长河伍楷舜深圳大学计算机与软件学院物联网研究中心广东深圳518060 广东省第二人民医院心理精神科广州510317 香港科技大学(广州)信息枢纽广州511453

情绪影响身心健康及认知功能等,因而在人们的生活中扮演着重要角色.自动情绪识别有助于预警心理疾病和探索行为机制,具有巨大的研究与应用价值.在过去十余年中,研究者们提出了各种情绪识别方法,但均存在不同方面的不足:基于脑电图(Elect... 详细信息

情绪影响身心健康及认知功能等,因而在人们的生活中扮演着重要角色.自动情绪识别有助于预警心理疾病和探索行为机制,具有巨大的研究与应用价值.在过去十余年中,研究者们提出了各种情绪识别方法,但均存在不同方面的不足:基于脑电图(Electroencephalography,EEG)信号的方法需采用专业、昂贵且不易操作的脑电仪;基于视觉和语音的方法存在隐私泄露的风险;基于手机使用模式分析的方法其可靠性和准确性有待提高等.本文利用生理信号如呼吸音、心跳音及脉搏等与情绪的潜在关联性,创新性地提出基于低成本、普适易用可穿戴硬件的情绪识别技术,借助多模态数据融合对不同类型数据进行有效利用,既减少了数据冗余又有效提升了系统性能.此外,在保证良好识别准确率的前提下,为提升情绪识别模型对不同用户的泛化性、最大化降低新用户的使用成本,本文提出了基于多源域对抗思想的情绪识别模型,借助少量来自新用户的无标签数据实现模型的无监督迁移,再辅之以极少量有标签数据微调分类器参数可进一步提升情绪识别准确率.为验证所提情绪识别方法的有效性,本文设计并实现了一套融合麦克风与光电容积脉搏波(Photoplethysmography,PPG)传感器以测量人体心跳音、呼吸音及脉搏等生理指征的可穿戴系统.基于此系统,本文在不同设置下开展了大量实验并对不同影响因素进行了评估.实验结果表明:对于四类基本情绪,本文所提方法单被试识别准确率可达95.0%,跨被试识别准确率为62.5%,比基准方法提升了5.3%.结合有监督小样本参数微调,识别准确率可进一步提高至81.1%,比基准方法提高了12.4%.上述结果验证了本文所提方法的可行性,为泛在情绪识别研究做出了崭新的探索.

关键词：可穿戴设备情绪识别多模态数据迁移学习域迁移生成对抗学习

来源：评论

学校读者我要写书评

暂无评论

基于多语义任务与多标签增量学习的胸部影像辅助诊断方法研究

基于多语义任务与多标签增量学习的胸部影像辅助诊断方法研究

引用

作者：王庆凤中国科学技术大学

学位级别：博士

随着海量影像数据持续增长、智能诊断模型算法不断迭代更新、计算能力大幅提升以及国家政策大力支持,人工智能与医学影像领域的交叉融合与深度应用引发了众多研究者们的广泛关注。在学术界,人工智能尤其是深度学习在病灶检测、分割、诊... 详细信息

随着海量影像数据持续增长、智能诊断模型算法不断迭代更新、计算能力大幅提升以及国家政策大力支持,人工智能与医学影像领域的交叉融合与深度应用引发了众多研究者们的广泛关注。在学术界,人工智能尤其是深度学习在病灶检测、分割、诊断等场景中长期存在的诸多问题上取得了不少实质性的进展,在医学影像辅助诊断上的研究表现出了蓬勃喜人的发展势头;在行业界,凭借医学影像大数据及深度学习技术的发展优势,人工智能医学影像正迅速从实验阶段过渡到医院临床试用阶段。人工智能医学影像已成为人工智能与医疗行业结合最为紧密的领域之一。针对胸部影像辅助诊断场景中存在的数据分布不平衡、误诊率偏高、少量新疾病诊断等问题,展开了基于生成对抗学习的数据合成过采样、多阶关联迁移学习以及多标签增量学习三个方法层面上的研究,主要研究工作与贡献包括:1.基于WGAN合成过采样方法的肺结节语义细粒度分类评级研究针对肺结节语义细粒度分类中数据分布严重失衡问题,尝试通过Wasserstein Generative Adversarial Networks(WGAN)逼近少数类的原始数据分布合成样本,提出基于WGAN的合成过采样方法对肺结节各语义属性子类的数据进行样本合成增补,并对CT影像中肺结节的7个语义属性采用卷积神经网络进行细粒度分类评级。基于WGAN的合成过采样技术可以为少数类合成有用的样本,有利于细粒度分类模型的训练,较传统数据增强方法以及Generative Adversarial Networks(GAN)、Deep Convolutional Generative Adversarial Networks(DCGAN)方案可以获得更好的细粒度分类性能提升,有效解决肺结节语义细粒度分类中的数据严重不平衡问题。2.基于多阶关联迁移学习的肺结节病理良恶性辅助诊断研究针对肺结节良恶性误诊率较高的问题,提出一个面向肺结节多属性的多阶关联迁移学习框架,通过多阶关联迁移学习提升肺结节病理良恶性诊断的精准度。实验表明仅需要纹理、直径、分叶三个语义任务作为关联迁移学习的源任务,利用较少的(26.99%)标注量可以最有效完成肺结节病理良恶性诊断任务。所提方法在经病理证实的肺结节良恶性分类上的表现优于已有的一些工作,其分类结果与放射科医生的判断结果相当,在准确率指标上超过医生的主观判断。3.多阶语义任务迁移关系图构建与定置分析为使得一组语义目标任务获得最大性能增益,通过联合不同语义任务进行多阶关联迁移学习,量化了不同语义任务之间的关联关系,构建了在不同监督预算下的多阶语义任务迁移关系图,为不同目标任务匹配最佳迁移源,并定量分析了标注数据监督学习量与目标任务结果表现之间的关系。实验结果表明,通过三阶语义关联迁移学习,仅利用39.28%的语义标注量,可以达到91.3%的语义目标任务整体性能表现,利用56.63%的语义标注量将达到96.6%的语义目标任务整体性能表现,语义标注量与目标任务整体性能表现之间量化权衡可为最具成本效益的高效标注提供参考。4.基于多标签增量学习的胸部常见病变辅助诊断研究针对少量新病变学习诊断问题,提出一个小样本多标签增量学习框架,首先对肺结节、肺不张等14种胸部X线常见病变进行多标签学习诊断,然后增量学习诊断肺结核等6种新病变。为提升X线胸片多病变新标签的识别诊断性能表现,我们推导并提出MLSGM特征正则化方法,实验表明该方法有利于深度特征表征在新数据样本中的泛化能力提升。从时间资源开销上,证明了提出的小样本多标签增量学习方案在临床实践辅助诊断胸部病变异常中具有可行性与实用性。在小样本多标签增量学习框架的驱动下,将有潜力在临床实践中实现胸部越来越多的病变辅助诊断。解决医学小数据领域中的问题对于推动人工智能医学影像的发展更为重要,因为这些医疗数据的收集与标注代价很高,小数据场景常常占据了大多数的实际场景,生成对抗样本合成学习、多语义任务关联迁移学习、多标签增量学习等方法正是解决小数据问题的核心方法与技术。提升医学影像辅助诊断的精准度与效率对于缓解医疗资源紧张、.推进分级诊疗服务、促进远程医疗服务等多方面有着重要作用与现实意义。

关键词：生成对抗学习不平衡学习迁移学习多标签学习增量学习

来源：评论

学校读者我要写书评

暂无评论

基于对抗学习和注意力机制的遥感影像薄云去除研究

基于对抗学习和注意力机制的遥感影像薄云去除研究

引用

作者：文雪中国科学院大学

学位级别：硕士

光学遥感卫星在对地观测任务中发挥着巨大的作用，高分辨率遥感影像被广泛应用于资源勘探、环境监测和植被管理等领域。然而，远程观测的影像在成像过程中容易受到云层的干扰，导致地面场景信息被削弱，图像分析的难度增加。薄云的半透... 详细信息

光学遥感卫星在对地观测任务中发挥着巨大的作用，高分辨率遥感影像被广泛应用于资源勘探、环境监测和植被管理等领域。然而，远程观测的影像在成像过程中容易受到云层的干扰，导致地面场景信息被削弱，图像分析的难度增加。薄云的半透明性质为地面场景的光谱特征恢复提供了可能性。为了提高遥感影像在后续解译任务中的利用率，同时降低算法对多光谱和多时相数据的依赖，开展面向单幅可见光遥感影像的薄云去除工作具有十分重要的意义。　　本文主要采用深度学习技术对遥感影像的薄云去除方法展开研究。现有的薄云去除方法虽然在去云效果上有了较大的提升，但这些方法仍然存在着去云影像不真实、云层去除不彻底和地物细节模糊等问题。为此，本文开展了两个部分的薄云去除方法研究，并综合分析了去云影像的实际效果和应用价值。主要的工作概括为:　　(1)为了保证地物恢复的真实性和完整性，提出了基于YUV空间残差对抗学习的薄云去除方法。该方法将图像信息的处理转换到YUV颜色空间中进行，显著提高了网络对地物亮度和色度的恢复效果，确保了地物的色彩保真度。同时，构建了提升训练稳定性的WGAN网络架构，设计的残差生成器和残差判别器高效对抗，保证了地物细节能被完整地重建。最后，将构造的影像色彩一致性损失和对抗损失进行加权作为生成器优化的目标函数，有效约束了去云影像的颜色和数据分布特性。实验结果表明，该方法不仅能防止亮暗点发生颜色畸变，还能保留丰富的地物场景细节，保证了去云影像的真实性和清晰度。　　(2)为了减小去云影像中的云层残留，并增强地物中的高频细节，提出了基于残差通道注意力网络的遥感影像薄云去除方法。首先，在残差学习路径中添加通道注意力机制，实现了特征的自适应校准，由此构建的残差通道注意力块有效降低了云层分量，并增强了地物的高频细节;接着，串联多个残差通道注意力块，并附加输入到输出端的局部残差学习从而构建了残差组;之后，以残差组为基本模块，构建了非常深的残差通道注意力网络。实验数据证实了网络中残差学习和通道注意力机制能显著提高对高频信息的恢复，此外通过模型验证实验，展示了所提出的方法具有良好的薄云去除效果，去云影像达到了较高的PSNR、SSIM、IE和LG指标。　　(3)开展了遥感影像薄云去除方法的对比实验，并分析了去云影像的实际应用价值。基于RICE1真实数据集、Sentinel-2A仿真数据集和Landsat-8合成数据集，分别进行了三组实验，对比了目前先进的图像恢复方法和本文所提出方法的去云效果。进一步地，开展了影像颜色特征分析和边缘检测应用分析，证实了经本文所提出方法得到的去云影像具有接近于真实无云影像的特性。分析相关数据可知:本文提出的基于YUV空间残差对抗学习的方法有利于捕获影像的数据分布特征和恢复出局部色调一致的地面场景;本文提出的基于残差通道注意力网络的方法能够在抑制云层的同时增强高频信息，得到的去云影像具有逼真的色彩和清晰的细节。由此可见，本文所提出的两个方法在实际的遥感影像解译任务中，具有较强的优越性和可用性。

关键词：薄云去除光学遥感影像生成对抗学习注意力机制图像恢复

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的水下图像增强方法研究

基于深度学习的水下图像增强方法研究

引用

作者：王明哲青岛大学

学位级别：硕士

水下图像是开发和利用海洋资源的重要信息来源。然而,复杂的水下成像环境常引入多种图像退化现象,这给高质量水下图像的获取带来了显著挑战。其中,水介质对波长的依赖性吸收以及人工光源的使用,往往导致水下图像受到非均匀光照的影响。... 详细信息

水下图像是开发和利用海洋资源的重要信息来源。然而,复杂的水下成像环境常引入多种图像退化现象,这给高质量水下图像的获取带来了显著挑战。其中,水介质对波长的依赖性吸收以及人工光源的使用,往往导致水下图像受到非均匀光照的影响。此外,拍摄目标与成像系统之间的相对运动也会引起水下图像的运动模糊。为了应对以上问题,本文将开展基于深度学习的水下图像增强方法研究,研究内容主要包括两部分,具体如下: 为了解决水下图像光照不均,细节丢失等问题,本文提出了一种感知质量引导的水下非均匀光照图像增强网络。在该网络中,本文假设更有效的非均匀光照校正策略是在生成对抗学习过程中分离低质量和高质量样本。从技术层面讲,该网络的生成器将利用从中间样本和高质量样本获得的拟合信息进行优化,以获得清晰图像。此外,通过设计一个质量感知激励模块,提出的网络实现了质量引导的训练模式,以平衡图像中较暗和较亮区域的照明度、对比度和饱和度。本文还构建了一个大规模的水下非均匀光照图像数据集,包含1200对具有多个场景的真实与合成样本,以满足水下非均匀光照图像校正方法的研究。本文在三个基准数据集上进行了广泛的实验,并与几种最先进的方法进行了比较。定量结果显示,提出方法与次优方法相比,在UIQM、FDUM和UIF指标上分别提高了4.9%、7.1%和6.1%。另外,定性比较表明,提出的方法在对比度增强、颜色校正和非均匀照明消除方面均优于对比算法。为了解决水下图像运动模糊,色偏等问题,本文将循环生成框架与对比学习、纹理补偿相结合,提出了一种非配对的水下图像去模糊网络。该网络包括两个交互式分支:双向对比分支和纹理补偿分支。具体而言,双向对比分支通过双向映射探索特定域的特征分布,从两个不同图像域的低特征空间中提取共同属性。同时,纹理补偿分支在对抗训练过程中生成丰富的示例对,并利用两个域之间的纹理差异进行去模糊辅助。本文在合成和真实世界水下模糊基准上进行了广泛实验,与几种最先进的方法进行了比较。定量结果显示,提出方法与次优方法相比,在EMBM、UCIQE和UIQM指标上分别提高了4.2%、4.1%和2.7%。另外,定性比较表明,提出的方法在消除模糊和减少偏色方面均优于对比算法。

关键词：水下图像非均匀光照运动模糊生成对抗学习对比学习纹理补偿

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：