基于改进DCGAN的汽车冷凝器图像生成方法

深度学习方法在工业产品图像缺陷检测领域取得进展,但是大量的缺陷数据难以收集.针对在生成汽车冷凝器缺陷图像过程中存在生成质量低、无法按缺陷类别生成,模型收敛缓慢等问题,将生成对抗网络应用于缺陷图像的生成,提出了一种基于半监督和自注意力机制的深度卷积生成对抗网络(DCGAN)模型用于生成汽车冷凝器外观缺陷图像.在DCGAN...     

基于双通道生成对抗网络的镜片缺陷数据增强

针对小样本条件下深度学习缺陷检测算法识别率较低的问题,提出一种基于双通道生成对抗网络的数据增强方法.由全局鉴别层和局部鉴别层两通道组成生成对抗网络,其中局部鉴别器可以增加缺陷类型的置信度损失,实现对局部信息的增强.采用所提方法在镜片缺陷图像数据集上进行实验.实验结果表明,所提方法的最近邻留一指标、最大均值差异和Wasserstein距离分别达到0.52、0.15和2.81;对于麻点、划痕、气泡和异物的缺陷类型图像,生成的图像质量优于条件生成对抗网络、Wasserstein距离生成对抗网络和马尔科夫判别器.双通道生成对抗网络生成的镜片图像有着多样性的全局信息和高质量的细节特征,可以有效增强镜片缺陷数据集.     

基于差分隐私技术的DCGAN模型优化研究与实现

图像数据开放共享是促进大数据在工业领域应用发展的关键,其打破业务壁垒和“数据孤岛”现象,实现信息的跨部门、跨层级共享。但在共享过程中存在图像数据隐私信息泄露的风险。因此针对无法实现数据直接共享的图像数据,将生成对抗网络的变体深度卷积生成对抗网络（deep convolutional generative adversarial networks,DCGAN）与差分隐私进行结合,设计了带有差分隐私的深度卷积生成对抗网络（deep convolutional generative adversarial networks with dif ferential privacy,DP-DCGAN）模型。所提出的模型通过给DCGAN中从判别器传递回生成器的梯度上加噪以减小真实数据对生成器的贡献,实现在隐私保护的基础上生成高质量的数据,并将生成数据进行共享。     

改进生成式对抗网络的图像数据集增强算法

针对现有深度学习中图像数据集缺乏的问题,提出了一种基于深度卷积生成式对抗网络(Deep Convolutional Generative Adversarial Network, DCGAN)的图像数据集增强算法。该算法对DCGAN网络进行改进,首先在不过多增加计算量的前提下改进现有的激活函数,增强生成特征的丰富性与多样性;然后通过引入相对判别器有效缓解模式坍塌现象,从而提升模型稳定性;最后在现有生成器结构中引入残差块,获得相对高分辨率的生成图像。实验结果表明,将所提方法应用在MNIST、SAR和医学血细胞数据集上,图像数据增强效果与未改进的DCGAN网络相比显著提升。     

基于DCGAN的含目标回波图像生成

<正>为了改善海杂波和含目标回波分类问题中的样本不均衡问题，给出一种基于深度卷积生成对抗网络(Deep ConvolutionalGenerativeAdversarialNetworks,DCGAN)的含目标回波数据图像生成方法。首先，使用改进损失函数优化了DCGAN，建立含目标回波生成模型；其次，将IPIX雷达目标数据库中1023张含目标回波图像作为模型输入，对模型进行训练；最后，     

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。     

基于DCGAN的图像增强方法

本文研究了一种基于DCGAN的图像增强方法,来解决拍摄环境条件差或设备补光能力不强等情况造成的图像效果差。设计组成生成对抗网络时,本文在生成模型中增加了解码功能的卷积神经网络,并在判别模型中增加了分类的卷积神经网络。实验结果表明本文方法效果明显,满足图像增强的要求。     

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DWGAN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。     

基于对抗式生成网络的农作物病虫害图像扩充

本文提出一种基于深度卷积对抗式生成网络(Deep convolutional GAN,DCGAN)的农作物病虫害图像生成方法,利用卷积神经网络强大的特征提取能力,提高生成网络的学习效果,生成大量接近真实数据的病虫害图像。实验结果表明,该方法能有效解决病虫害图像数据不足的问题。     

基于改进深度卷积生成对抗网络的刺绣图像修复

目前中华传统刺绣工艺传承保护问题中的修复任务主要以人工为主，修复过程需要大量的人力、物力。随着深度学习的高速发展，不同类型的刺绣文物损伤可以利用生成对抗网络进行修复。针对上述问题，提出一种基于改进深度卷积生成对抗网络（DCGAN）的刺绣图像修复方法。首先，在生成器部分引入空洞卷积层扩大感受野，并添加卷积注意力机制模块，在通道与空间2个维度增强重要特征的指导作用；在判别器部分增加全连接层数提升网络解决非线性问题的能力；在损失函数部分联合均方误差损失与对抗损失通过网络训练相互博弈的过程实现刺绣图像修复。实验结果表明：引入空洞卷积层与注意力机制提升了网络性能与修复效果，最终得到修复图像的结构相似性高达0.955，能够得到较为自然的刺绣图像修复效果，可以为专家提供纹理、色彩等信息作为参考辅助后续的修复。     

基于多尺度梯度的轻量级生成对抗网络

随着生成对抗网络研究的推进，网络模型的计算量急剧增加，其自身的训练不稳定问题依然存在，生成图像的质量也有待提升。为解决以上问题，文中提出一种轻量级生成对抗网络模型，引入多尺度梯度结构解决训练不稳定的问题。通过融合自注意力机制和动态卷积的思想，利用循环模块和图像增强模块，在保持较少参数的前提下提高模型的学习能力。对文中所提算法进行验证，实验结果表明该算法在CelebA数据集上的IS(Inception Score)值为2.75,FID(Fréchet Inception Distance)值为70.1,在LSUN数据集上的IS值为2.61, FID值为73.2,相比SAGAN、DCGAN等经典模型性有所提高，验证了该算法可行性和性能。     

复杂光照环境下基于改进生成对抗网络的甘蔗病害样本增强应用分析

<正>甘蔗病害的识别与检测是农业领域的一个重要课题。然而，在实际应用中，受限于光照环境的复杂性以及甘蔗病害样本的不足，传统的数据增强方法难以满足实际需求。为了解决这一问题，提出一种基于改进的生成对抗网络（Improved GAN）的复杂光照环境下甘蔗病害样本增强技术。该方法引入了自注意力机制和渐进式生成对抗网络（ProGAN），实现对甘蔗病害样本的增强。实验结果表明，与传统的数据增强方法相比，提出的方法能够有效提高甘蔗病害识别模型的泛化能力和准确率。甘蔗是全球重要的经济作物之一，其产量对于糖和生物能源等产业具有举足轻重的地位。     

基于生成对抗网络的文本生成图像研究综述

文本生成图像是指将语句形式的文本描述翻译成与文本具有相似语义的图像。在早期研究中，图像生成任务主要基于关键字或语句的检索来实现与文本匹配的视觉内容的对齐。随着生成对抗网络的出现，文本生成图像的方法在视觉真实感、多样性和语义相似性方面取得了重大进展。生成对抗网络通过生成器和鉴别器之间的对抗来生成合理且真实的图像，并在图像修复和超分辨率生成等领域显示出良好的能力。在回顾并总结文本生成图像领域最新研究成果的基础上，文中提出了一种新的分类方法，即注意力增强、多阶段增强、场景布局增强和普适性增强，并讨论了文本生成图像面临的挑战和未来的发展方向。     

基于DAWGAN-GP的磁共振图像重构方法研究

本文提出了一种基于改进Wasserstein生成式对抗网络（De-aliasing Wasserstein Generative Adversarial Network with Gradient Penalty,DAWGAN-GP）的磁共振图像重构算法,该方法利用Wasserstein生成式对抗网络代替传统的生成式对抗网络,并结合梯度惩罚的方法提高训练速度,解决WGAN收敛缓慢问题.此外,为了有更好的重构效果,我们将感知损失,像素损失和频域损失引入至损失函数中进行网络训练.实验结果表明,对比现有的基于深度学习的磁共振图像重构算法,基于DAWGAN-GP的磁共振图像重构方法具有更好的重构效果,可获得更高的峰值信噪比（Peak Signal to Noise Ratio,PSNR）和更好的结构相似性（Structural Similarity Index Measure,SSIM）.     

基于改进的U-Net生成对抗网络的图像翻译算法

针对传统生成对抗网络(Generative Adversarial Networks,GAN)在图像翻译过程中生成图像的轮廓、纹理等特征丢失以及造成图像翻译效果不佳的问题,提出了基于改进U-Net模型的生成对抗网络图像翻译算法。首先,实验研究Pix2Pix生成对抗网络优化算法、学习率以及迭代次数对图像翻译效果的影响,确定生成对抗网络模型参数与优化方法;其次,通过增加反卷积跳跃连接的重复次数增强特征的表达能力;最后,在CUFS人脸数据库上进行实验确定模型参数。实验表明,反卷积跳跃连接的重复次数为5次时,图像翻译的用户调研满意评价指标达到42%,图像翻译的质量达到最优。     

基于空间特征的生成对抗网络数据生成方法

传统的生成对抗网络(GAN)在特征图较大的情况下，忽略了原始特征的表示和结构信息，并且生成图像的像素之间缺乏远距离相关性，从而导致生成的图像质量较低。为了进一步提高生成图像的质量，该文提出一种基于空间特征的生成对抗网络数据生成方法(SF-GAN)。该方法首先将空间金字塔网络加入生成器和判别器，来更好地捕捉图像的边缘等重要的描述信息；然后将生成器和判别器进行特征加强，来建模像素之间的远距离相关性。使用CelebA,SVHN,CIFAR-10等小规模数据集进行实验，通过定性和盗梦空间得分(IS)、弗雷歇距离(FID)定量评估证明了所提方法相比梯度惩罚生成对抗网络(WGAN-GP)、自注意力生成对抗网络(SAGAN)能使生成的图像具有更高的质量。并且通过实验证明了该方法生成的数据能够进一步提升分类模型的训练效果。     

基于AttentionGAN的加密流量分类方法

在网络流量分类中，各协议类别之间样本分类不平衡，从而导致训练的模型泛化能力差、识别准确率低。为此，提出了一种在生成对抗网络中添加通道注意力机制的方法（AttentionGAN），来进行数据增强，对样本较少的协议进行扩充。该方法首先将原始流量数据报存储（Packet Capture,PCAP）数据按照流为单位进行切分、填充，并生成灰度图；其次使用AttentionGAN方法对数据集进行扩充；最后在公开数据集ISCX VPN-nonVPN和USTC-TFC2016上使用NIN、LeNet和VGG16模型对原始数据集和平衡后的数据集进行分类测试。实验结果表明，基于AttentionGAN的平衡方法在精确度、召回率、F1这3个指标上均优于过采样（Synthetic Minority Oversampling Technique,SMOTE）、生成对抗网络（Generative Adversarial Networks,GAN）和沃瑟斯坦生成式对抗网络（Wasserstein GAN,WGAN）平衡方法。     

改进的生成对抗网络的超分辨率方法研究

本文针对基于深度学习的超分辨率重建网络SRGAN中存在的训练不稳定,重建图像信息缺失等问题进行了分析研究,做出相应的改进,提出了一种改良的生成器残差块结构,提高了重建效率,增强了重建图像的质量;引入Wasserstein距离代替JS散度来描述数据分布之间的差异,解决了生成对抗网络训练不稳定的问题,有效避免了梯度消失现象...     

多尺度卷积神经网络的噪声模糊图像盲复原

图像盲复原是从一幅观测的模糊图像恢复出模糊核和清晰图像,传统盲去卷积算法采用简化模型估计模糊核,导致预测模糊核与真实值误差较大,最终复原结果不理想。针对此问题提出一种基于改进残差模块的多尺度卷积神经网络模型,采用端到端模式,无需估计模糊核。提出了一种基于限制网络输入的改进Wasserstein GAN （WGAN）,增加了一层输入限制层,能够限定参数初始值,提高了网络收敛速度。设计了多重损失函数,融合了基于多尺度网络的感知损失和基于条件式生成对抗网络的对抗损失。实验结果表明:所提方法在定量和定性评价指标上优于已有的代表性方法,并且运行速度比相近算法快了4倍。     

基于DCGAN的水声数据仿真方法

研究基于深度卷积生成-对抗网络(Deep Convolution Generation-Antagonism Network,DCGAN)实现水声数据仿真的方法,通过设计适配的DCGAN模型,迭代训练出能够拟合随机高斯噪声与水声小波图像之间映射关系的网络模型参数,实现水声数据的仿真.由提前训练好的判别网络验证仿真数据的可靠性,验证结果证明,提出的方法可作为一种智能化水声数据模拟器的实现方案.