基于改进生成对抗网络和MobileNetV3的带钢缺陷分类

针对数据集样本数量较少会影响深度学习检测效果的问题,提出了一种基于改进生成对抗网络和MobileNetV3的带钢缺陷分类方法.首先,引入生成对抗网络并对生成器和判别器进行改进,解决了类别错乱问题并实现了带钢缺陷数据集的扩充.然后,对轻量级图像分类网络MobileNetV3进行改进.最后,在扩充后的数据集上训练,实现了带...     

基于谱约束的生成对抗网络图像数据生成研究

数据匮乏是深度学习面临的一大难题。利用生成对抗网络(GAN)能够基于语义生成新的图像数据这一特性,提出一种基于谱约束的生成对抗网络图像数据生成方法,该方法针对卷积生成对抗网络模型易崩溃不收敛的问题,从每层神经网络的参数矩阵W的谱范数角度出发,引入谱范数归一化网络参数矩阵,将网络梯度限制在固定范围内,减缓判别网络收敛速度,从而提高GAN的训练稳定性。实验表明,通过该方法生成的数据相比原始GAN以及DCGAN、WGAN等生成的图像样本数据在图像识别网络中具有更高的准确率,能够对少量样本数据进行有效扩充。     

少样本条件下基于生成对抗网络的遥感图像数据增强

针对小样本条件下遥感图像目标的检测精度受到卷积神经网络过拟合影响的问题,提出一种基于生成对抗网络的数据增强方法,利用判别模型为生成模型同时提供图像的局部决策与全局决策,以提高生成模型生成图像的质量,并将生成的目标与训练集图像进行融合得到新的样本,且新生成的样本不需人工标注.实验结果表明,在原始数据中加入生成数据后,检测...     

基于生成对抗网络的数据增强方法及应用

对于小样本电磁信号识别,数据增强是一种最为直观的对策。利用生成对抗网络(GAN)产生虚假信号样本,设计粗粒度和细粒度筛选机制对生成信号进行筛选,剔除质量较差的生成信号,实现训练样本集的有效扩充。为验证所提数据增强算法的有效性,在RADIOML2016.04C数据集上进行测试。实验结果表明,本文所提方法对小样本电磁信号识别准确率有较好的提升效果。     

一种基于生成对抗网络的电波传播数据增强方法

电波传播模型是频谱管理、通信领域的关键研究内容。能否精准刻画电波传播模型,将直接影响传播损耗计算、频谱态势生成等实际效果。模型研究需电磁环境感知数据支撑,而现有电磁环境感知数据稀缺,采集困难,且往往只关注场强等表征信道特性的要素,因此研究了一种基于生成对抗网络的电波传播数据增强方法。该方法由经纬度获取测量点高程信息和卫星图像,并联合经纬度基于条件生成对抗网络对卫星图像增强,获得包含信道特性和地形变化的联合数据集。结果表明,在相同电波传播预测模型下,采用该方法生成的数据集预测精度提高2.7%,使得传播模型构建具备了更多的数据支撑。     

基于改进生成对抗网络的铝板缺陷电涡流检测图像分割

针对铝板缺陷电涡流检测图像边缘区域不容易识别,同时检测图像存在背景噪声干扰的问题,提出了一种基于改进生成对抗网络的铝板缺陷电涡流检测图像分割方法.该方法建立在生成对抗网络图像分割模型的基础上,生成器部分采用U-Net模型的思想,在高低层特征融合之前采用注意力模块,调整低层特征与高层特征拼接时的权重,有利于提高图像特征信...     

基于条件生成对抗网络的信号生成技术

通信信号生成通常也叫信号重构,信号重构在欺骗干扰、环境构建等方面具有广泛应用,而生成对抗网络的提出为通信领域中的信号重构带来了新思路。文中利用生成对抗网络,在不对通信信号进行参数测量与特征分析的情况下,实现通信模拟调制信号的生成,并加入监督学习,使用有标签的数据集,在WGAN-GP的基础上构建CGAN与ACGAN两种网络模型进行模拟调制信号的生成,并在训练完成的生成器中通过指定标签生成特定调制样式的通信信号,最后经过对比分析,基于ACGAN的模拟调制信号生成的质量更优。     

基于特征增强生成对抗网络的文本生成图像方法

针对文本生成图像任务过程中存在图像视觉特征和通道特征信息利用不充分问题,提出一种基于特征增强生成对抗网络(FE-GAN)的文本生成图像方法.首先,在动态记忆读取时,设计二次记忆(MoM)模块来对生成的中间特征进行注意与融合,利用注意力机制在记忆读取时进行第一次视觉特征增强,再将得到的注意力结果和上一个生成器生成的图像特征进行融合,实现第二次图像视觉特征增强.然后,在残差块中引入通道注意力来获取图像特征中的不同语义,提升相似语义通道之间的关联性,实现通道特征增强.最后,将实例归一化上采样块和批量归一化上采样块相结合来提高图像分辨率,同时缓解批量大小对生成效果的影响,提升生成图像风格多样性能力.在CUB-200-2011和Oxford-102数据集上进行的仿真实验表明,所提方法的IS分别达到了4.83和4.13,与DM-GAN相比分别提高了1.68%和5.62%.实验结果表明,FE-GAN生成的图像在细节处理上更好,更加符合文本语义.     

基于生成对抗网络的人脸属性图像生成

生成对抗神经网络是目前深度学习的热门研究方向,而人脸属性生成是重要研究分支之一,为解决目前关于人脸属性生成时导致背景出现颜色变化、扭曲、模糊,并且人脸生成后出现图片失真和其它面部属性有不同程度的变化,通过改进STGAN的网络结构,主要改进其网络归一化层,使得网络训练属性的精确度更高方法,合理控制属性幅度从而提高生成效果...     

基于生成对抗网络的城市路网行程时间数据补全

行程时间信息在交通管控中起着重要作用。车辆轨迹信息可以提供大规模路网行程时间数据。然而,由于轨迹数据的稀疏性,路网行程时间常出现数据缺失问题。为解决这一问题,构建一种生成对抗网络(GAN)模型。该模型通过拟合数据丰富路段的行程时间数据的概率分布,为数据缺失路段生成行程时间数据。利用滴滴出行轨迹数据进行了数值实验,结果表明GAN模型的数据补全能力优于对比方法。     

Generative Adversarial Networks Based Digital Twin Channel Modeling for Intelligent Communication Networks

Integration of digital twin(DT) and wireless channel provides new solution of channel modeling and simulation, and can assist to design, optimize and evaluate intelligent wireless communication system and networks. With DT channel modeling, the generated channel data can be closer to realistic channel measurements without requiring a prior channel model, and amount of channel data can be significantly increased. Artificial intelligence(AI)based modeling approach shows outstanding performance to ...     

基于生成式对抗网络的太赫兹图像增强

太赫兹扫描成像中,由于激光器功率波动和仪器振动等原因,导致图像对比度较低,成像质量有待提高,且目前针对太赫兹图像的处理还停留在传统算法阶段.本文结合深度学习思想,提出了一种基于生成式对抗网络的图像增强方法.通过对训练集图像引入模糊和噪声,学习低质量图像和高质量图像之间的映射关系,并将其应用在真实太赫兹图像中.实验结果表...     

Cross-Band Spectrum Prediction Algorithm Based on Data Conversion Using Generative Adversarial Networks

Spectrum prediction is one of the new techniques in cognitive radio that predicts changes in the spectrum state and plays a crucial role in improving spectrum sensing performance.Prediction models previously trained in the source band tend to perform poorly in the new target band because of changes in the channel.In addition,cognitive radio devices require dynamic spectrum access,which means that the time to retrain the model in the new band is minimal.To increase the amount of data in the targe...     

一种基于U-Net生成对抗网络的低照度图像增强方法

在低照度环境下采集的图像具有低信噪比、低对比度及低分辨率等特点,导致图像难以识别利用.为了提升低照度图像的质量,本文提出一种基于U-Net生成对抗网络的低照度图像增强方法.首先利用U-Net框架实现生成对抗网络中的生成网络,然后利用该生成对抗网络学习从低照度图像到正常照度图像的特征映射,最终实现低照度图像的照度增强.实验结果表明,与主流算法相比,本文提出的方法能够更有效的提升低照度图像的亮度与对比度.     

基于改进生成对抗网络的红外图像增强算法

针对红外图像细节分辨率不高、目标边缘模糊等,提出一种基于改进生成对抗网络的红外图像增强算法。首先,基于编码解码网络U-Net构建生成器,优化U-Net跳跃连接方式,融合全局上下文模块,实现全局和局部特征的上下文建模;然后,基于胶囊网络构建鉴别器,结合Res2Net改进胶囊网络结构,并对胶囊网络全连接层进行反卷积重构,实现多尺度图像特征提取,减少模型参数冗余。实验表明,与当前主流算法相比,该算法能有效突出细节信息、抑制噪声,提高图像分辨率和视觉效果。     

基于改进深度生成对抗网络的心电信号重构算法

心冲击图(BCG)信号中含有睡眠时期的心跳等生理参数,采用非接触式测量,但易受干扰影响应用受限;心电图(ECG)信号应用很广,但采用接触式测量,操作不便。为了实现非接触式测量并监测心电信号,该文将无参数尺度空间法(PSA)引入并与经验小波变换(EWT)算法结合,从BCG信号中分解得到心跳分量,结果表明所提分解方法能有效地从BCG信号中最大限度地分解出心跳信号;并在此基础上通过改进的深度卷积生成对抗网络(DCGAN)重构出ECG信号。实验结果表明,该文所提信号重构算法能从心跳分量重构恢复出ECG信号,均方根误差为–16.8422 dB。     

基于扩散生成对抗网络的文本生成图像模型研究

文本生成图像是一项结合计算机视觉(CV)和自然语言处理(NLP)领域的综合性任务。以生成对抗网络(GANs)为基础的方法在文本生成图像方面取得了显著进展,但GANs方法的模型存在训练不稳定的问题。为解决这一问题,该文提出一种基于扩散Wasserstein生成对抗网络(WGAN)的文本生成图像模型(D-WGAN)。在D-WGAN中,利用向判别器中输入扩散过程中随机采样的实例噪声,在实现模型稳定训练的同时,生成高质量和多样性的图像。考虑到扩散过程的采样成本较高,引入一种随机微分的方法,以简化采样过程。为了进一步对齐文本与图像的信息,提出使用基于对比学习的语言-图像预训练模型(CLIP)获得文本与图像信息之间的跨模态映射关系,从而提升文本和图像的一致性。在MSCOCO,CUB-200数据集上的实验结果表明,D-WGAN在实现稳定训练的同时,与当前最好的方法相比,FID分数分别降低了16.43%和1.97%,IS分数分别提升了3.38%和30.95%,说明D-WGAN生成的图像质量更高,更具有实用价值。     

利用生成对抗网络的时频图像去噪和增强处理

针对雷达信号时频图像的去噪和增强问题,提出了利用生成对抗网络二次生成时频图像的方法。首先利用时频分析产生雷达信号的时频图像作为原始数据集1;接着利用生成对抗网络对数据集1进行学习之后生成新的数据集2,数据集2相对于数据集1拥有着去噪和增强的效果;最后提取时频图像奇异值特征检验生成的数据集2的有效性。对6种常见的雷达信号的时频图像进行了仿真实验,结果证明了该方法在时频图像去噪和增加样本多样性方面是有效的。