基于变分自编码器的人脸正面化产生式模型

在人脸识别中，人脸姿态差异处理始终是一个难点。人脸正面化中大体可以分为两类：一是通过图形学方法生成正脸，二是通过产生式模型生成正脸。然而，第一类方法生成的正脸畸变会比较大，第二类方法普遍采用GAN网络，但是训练过程不易收敛。为解决以上问题，设计基于变分自编码器的产生式模型，采用β VAE模型，学习隐空间与真实图片空间关系，提高图片生成质量；使用模拟+无监督（S+U）学习方法，提高模型在训练过程的稳定性。通过在Multi-PIE数据集上进行实验，模型在定量打分中取得了不错效果，能够生成更加真实的图片。实验证明，该模型能够有效解决传统方法中生成图片不真实和训练不稳定的问题。     

基于GAN的大幅面MODIS浒苔检测实验方案设计

为实现大幅面的浒苔区域检测,设计了一种基于生成对抗网络(GAN)的检测实验方案.为增强浒苔信息和去除陆地干扰,首先,通过使用归一化植被指数(NDVI)和海陆分离来对MODIS浒苔图像进行预处理.其次,通过最小化f散度进行对抗训练GAN中的生成器和判别器.最后,通过对抗训练,实现生成检测图像和解译图像之间的差异最小化,建...     

基于GAN的图像超分辨率方法研究

图像超分辨率是一种采用软件算法提高图像空间分辨率的技术,由于传统超分辨率方法超清程度有限,基于深度学习的图像超分辨率方法成为研究者们近年来的研究重点。基于生成对抗网络（GAN）的图像超分辨率方法,在其网络模型结构基础上增加批处理归一化（BN）层以提升网络收敛速度、加强网络训练稳定性,更改上采样层网络并对损失函数作相应修改。在网络训练过程中,选择当前比较通用的Adam优化器。实验结果表明,该方法具有很好的超分辨率图像重建能力,且在训练过程中训练稳定性得到提升,收敛速度也有所加快。     

基于GAN的异常检测研究综述

深度学习中生成式对抗网络（GAN）具有强大拟合训练数据分布能力,在应用到异常检测领域时可有效准确识别异常图像．针对异常检测领域中传统有监督学习算法存在大量已知标记样本训练的局限性,以无监督学习GAN的异常检测模型为研究对象,阐明生成对抗网络的基本原理、网络结构及相关理论,详细介绍了近年来十种典型的基于GAN的异常检测模型,经过比较各衍生模型的异同,总结出各自的优势、局限性和应用场景,通过分析GAN在异常检测领域研究中所面临的问题及挑战,展望了未来的研究方向主要是解决模型的稳定性、计算效率、生成样本的精度、异常区域定位、异常评价机制等问题．     

基于生成对抗网络与 FACS 的面部表情合成研究

为实现从单张图片合成连续变化的目标表情,提出一种基于生成对抗网络（GAN）和面部表情编码系统FACS（Facial Action Coding System）的表情合成方法。通过提取面部表情 AU（Action Unit）作为生成表情的一种约束,利用生成对抗算法合成目标表情,这种结合表情编码的合成更具合理性。同时在网络中引入注意力机制,使网络在特征提取阶段更关注表情变化。实验表明,该方法能够克服图像中的光照和背景影响,合成表情具备连续性和真实性。该合成表情方法可应用于数字娱乐、影视制作等领域。     

基于改进 AdaIN 的图像风格迁移

图像风格迁移技术是指给定内容图和风格图,利用机器学习算法将内容图渲染成具有艺术风格的画作。针对传统图像风格迁移算法无法兼顾速度与生成图像质量等问题,基于 AdaIN 算法,提出 AdaIN 改进算法。在原始 AdaIN 网络中加入内容图像的深度信息计算模块,提取内容图像的深度图,通过将迁移图像数据与深度图归一化处理后的数据按元素相乘的方法,突出内容图的深度信息,使得输出的风格迁移图像各深度下具有不同的风格化程度。实验表明,相较于 Gatys 等种传统风格迁移算法,AdaIN 改进算法在运行时间上可降低约 11%;不需要针对每种风格单独训练网络,避免了模型重复训练;内容图像深度信息得以保存,提高了图像渲染质量。     

基于注意力机制的人脸漫画生成方法

在漫画生成领域,针对现有的基于生成对抗网络(generative adversarial networks, GAN)的方法无法捕获漫画和人脸之间高级对应关系的问题,提出了一个基于注意力机制的生成对抗网络模型(Attentions-based GAN)。在生成器和多尺度鉴别器上创造性地利用不同的注意力模块以保留重要的通道特征和空间特征,保证了鉴别器更准确地区分真实漫画和生成漫画,并促使生成器学习漫画域的分布。此外,构建了一个高分辨率的人脸漫画数据集,并在其上验证了本文模型的有效性。大量实验表明,本文方法生成的漫画更清晰真实,可以保留人物面部的细节并延续漫画的风格。     

基于多模深度神经网络生成图像描述研究

图片相比文字而言,可以为人们呈现更生动、更易于理解和更丰富的信息,海量图片成为互联网信息交流的主要媒介之一。因此,如何快速、便捷地自动生成图像描述具有研究意义。介绍了一种根据图像生成其内容的自然语言描述模型,该模型是基于一种在图像区域上应用改进的Faster-RCNN、在句子上应用BRNN以及通过多模嵌入达成两种模态对齐的一种结构化目标的新颖组合。对实验生成描述与图片本来描述相似度进行评估,B-1为0.63,B-2为0.45,B-1为0.32,相较于初始的一些语言描述模型性能有明显提高,说明该模型有一定的实用性。     

基于生成对抗网络的图像盲去运动模糊算法

针对运动图像盲去模糊问题,基于生成对抗网络,提出利用一种端对端方式恢复模糊图像算法。运用生成对抗神经网络方法对运动模糊图像直接复原,跳过估计模糊核过程,增加感知损失作为损失项,使图片内容和全局结构接近。此外,增加结构相似性损失函数作为约束项,进一步提升生成图片与清晰图片的相似性。实验结果表明,新算法可有效去除运动图像模糊。与其它算法相比,所提算法获得的图像更加清晰。     

基于多尺度融合GAN的水下图像增强方法

针对水下图像浑浊以及色彩失真的问题,提出了一种基于多尺度融合GAN水下视频图像增强方案,该方案主要包括生成网络和判别网络。在生成网络中,将特征融合与跳级连接引入到生成器结构中,提升网络利用上下层之间信息的能力,确保了生成图像保留更多的细节。此外,还通过对每个块进行差别的判别,实现了局部图像特征的提取和表征。通过在公开数据集EUVP和RUIE进行的定性和定量实验,发现本文方法在PSNR、SSIM、UISM、UICM、UIConM和UIQM等评价指标方面明显优于现有的水下图像增强方法,表明所提方法在水下图像数据集上应用的良好性能。     

结合裁剪技术的颜色特征匹配搜索

剖析了单以颜色直方图作为图像特征会丢失图片空间信息以及单以感知哈希串作为图像特征受均值影响较大的缺点,提出将图片切割方法应用到颜色直方图与感知哈希算法上作为提取图像特征的一种方案.方案分别提取颜色直方图特征以及感知哈希串特征,对这两种特征进行大量的训练后得到比较满意的权重分配,按该权重分配重组为新特征再进行相似图片检索.由于图片存在部分相似,故在检索过程中引入了有限次图片剪切,目的是提取图片的相似部分.实验结果证明:在数据集较小时,两种方式差别不大,但对于比较庞大的数据,采用新检索算法能提高检索效率.     

基于文本—图像及流形插值的对抗模型

针对传统文本—图像对抗模型中,由于反卷积网络参数过多容易产生过拟合现象,导致生成图像质量较差,而线性分解方法无法解决文本—图像对抗模型中输入单一的问题,提出一种在线性分解基础上加入流形插值的算法,并对传统 DCGAN 模型进行改进,以提高图像的鲁棒性。仿真实验结果表明,生成花卉图像的 FID分数降低了 4.73%,生成鸟类的 FID 分数降低了 4.11%,在 Oxford-102 和 CUB 两个数据集上生成图像的人类评估分数分别降低了 75.64%和 58.95%,初始分数分别提高 14.88%和 14.39%,说明新模型生成的图片更符合人类视角,图片特征更为丰富。     

基于特征加权支持向量机的血吸虫尾蚴识别算法设计与应用

本文提出一种利用特征加权支持向量机（FWSVM）识别河流、湖泊等水域中血吸虫尾蚴的算法．该算法采用图像形态学、动态阈值化等图像处理方法在图片中搜索可能存在尾蚴的区域,然后利用疑似区域图像的Hu矩作为特征值训练FWSVM,最后利用训练好的分类器对采集的视频进行识别．实验结果表明该算法能够有效识别水域中的血吸虫尾蚴．     

基于生成网络的遥感图像超分辨率的研究

提出了一种基于生成器网络的遥感图像超分辨率方法。该方法对网络的权重随机初始化,无需使用数据集进行预训练。输入待修复的低分辨率图像,通过迭代训练网络,生成网络输出边缘更为清晰的超分辨率图像。对遥感图像上复杂纹理的修复也达到了更清晰的预期效果。实验结果表明,生成网络能在遥感图像超分辨率上达到经过大量数据集训练的卷积神经网络相似甚至更好的表现。     

一种基于支持向量机的场景标注方法

针对复杂场景中难以标注对象轮廓的问题，提出一种基于支持向量机的场景标注方法。首先采用结构森林法生成边缘概率，再运用分水岭算法将边缘概率转化成初始图像块。为避免过分分割,减少训练开支，利用UCM算法并选取适当的阈值提高图像块对轮廓的精确度，最后通过支持向量机训练分割的图像块进行场景标注。实验表明，在处理复杂的户外场景标注时，基于支持向量机的场景标注方法在像素精确度上表现良好，在对象轮廓上标注效果较好。     

让言语自然生成

设计理念 1．遵循言语自然生成的规律。在本次习作教学开始时，教师先利用图片和谈话创设了一个能激发学生情感，激活学生头脑中图像的自然情景，让学生的思维处于一种轻松的状态，促使言语的自然生成。     

多孔介质三维重建的训练图像分析(英文)

为了使砂岩三维重建结果更接近于原始样本,提出了一种基于平稳性的二维训练图像分析方法.基于纹理特征分析了训练图像的二阶统计特征以获取尺度平稳性;通过多点密度函数分析训练图像的多点统计特征,获取多点统计平稳性.实验结果表明:对于尺度平稳性和多点统计平稳性都相对较高的训练图像,重建得到的三维结构的局部渗透性和两点统计概率特性更接近于真实三维结构的相关特性.而多点统计平稳性较高但尺度平稳性较低的训练图像,与多点统计平稳性较低而尺度平稳性较高的训练图像相比,更接近于真实三维图像.因此,训练图像的平稳性评估对于三维重建的二维薄片图像选取具有重要作用,同时,高阶统计分析方法更为准确.     

发掘和利用：细粒度层次化网络的文本到图像生成

针对现有文本到图像生成(text-to-image synthesis, T2I)方法采用冗余的阶段性网络结构,同时缺乏对文本特性有效利用从而影响网络完全收敛的问题,提出了一种细粒度的层次化生成对抗网络(generative adversarial networks, GAN)。该网络利用多维度文本特征提取器充分地“发掘”(explore)文本语义特征;通过堆叠层次化模块,即空间仿射生成模块和累加结合模块,更好地“利用”(exploit)主干网络的生成性能。在3个基准数据集上的实验充分表明,所提方法在量化指标和可视化效果方面均显著领先于现有方法。实现代码已经公开在https://github.com/qikizh/EE-GAN。     

如入其境 真实交际——试论情境创设与口语交际相结合的教学策略

本文从创设情境的角度探索新的口语交际策略,提出充分发挥教师的示范引领作用,与学生一同推动课堂教学情境的生成;用图片、影像等再现生活,调动学生的生活积累;通过角色扮演,在虚拟情境中完成真实的口语交际训练等观点。在课堂上掌握的口语交际知识回归生活,在运用中进一步得到巩固提高。     

基于区域生长算法的CT序列图像分割

由于人体腹部CT图像纹理结构复杂,灰度差别特别小,边缘又很不明显,本文提出了基于区域生长法的序列图像分割算法.在提取肝脏图像时,将全部序列图像分成若干组,然后利用区域生长算法先分割出每组的第一张图片.对于本组内其余图片的分割,充分利用相邻图片的灰度相似性实现序列图像的分割.对于血管的分割,由于血管在三维空间上的连通性,采用三维区域生长算法实现血管管道的提取.实验结果表明,应用本文算法能得到准确的肝脏及血管分割结果.