基于感知注意力和隐空间正则化的GAN在草图到真实图像的转换研究
发布时间：2021-02-19 18:20
深度学习作为目前流行的研究热点,涉及到智能搜索、数据挖掘、自然语言处理以及图像和语音等各个领域。而使用生成对抗网络（Generative Adversarial Networks GAN）生成图像则是目前图像领域比较受追捧的热门探究。本文研究的则是从草图图像向真实世界的图像的转换。首先,研究集中了从自然风景的草图图像到真实世界的风景图像之间的相互转换。其中,草图与自然风景图像之间的转换是一对一的。草图图像在转换为真实的风景图像过程中,由于草图线条简单,颜色单一,而转换过后的风景图像景物较多,颜色繁杂,因此这种转换具有一定的挑战性。在草图风景图像到自然风景图像转换的基础之上,我们又研究了在其他几个数据集上的图像转换,同时草图图像到对应的真实风景之间的转换可能对应着多种可能的风格,草图到真实图像之间的转换并不是一对一的,而是一对多的。例如相同的草图人脸图像对应到真实的图像中,可能会有不同的肤色,发色等。因此我们在一对一的转换的基础上,设计使用隐码向量来产生多种可能的输出,实现一对多的转换。因此,本文主要做了以下几点工作:（1）设计了一个自动转换网络,我们将其命名为稀疏残差注意力生成对抗网络...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图２．２?Ｒｅｌｕ函数??Ｆｉｇ?．２．２?Ｔｈｅ?Ｒｅｌｕ?Ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ??
?第二章相关技术＿述???－－３??－－２??■■Ｚ??—Ｉ?１?１??１?１?１???－３?－２?－１?Ｘ?＞１２?３??■?■?＿－１??图２．５?Ｔａｎｈ函数??Ｆｉｇ．?２．５?Ｔｈｅ?Ｔａｎｈ?Ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ??上述过程中的隐藏层的输出为／／?＝?（ＫＸ％?＋?＼），其中０为上述的激活函数。使用??激活函数达到去线性化的目的。??可以看出神经元从输入到输出的这种全连接的结构使得神经网络的参数过多，容易??造成过拟合现象。??２．１．２卷积神经网络??卷积神经网络采用局部连接的思想，龛要包括卷积层＊池化层＊全连接层，以及将??每层的输出转成非线性的激活函数等＾卷积层是卷积神经网络的核心，其参数包括卷积??核的大小和数暈ｓ每次卷积核移动的步长、以及边缘填充等。??卷积核类似一个滤波器，能够提取输入的图像的某些部分的特征。单纯依靠一个滤??波器来提取整个图像的特征往往是不充分的，通常情况下设置多个卷积核，不同的卷积??核侧童于提取不同的特征。卷积神经网络的神经元相瓦之间并没有进行连接，而是进行??局部的感知。在卷积神经网络中，每一层的神经元只连接上一层的局部神经元，这种局??部连接实现了对高维数据的降维，参数量更少。步长是每次卷积核移动的步长，即执行??Ｓ卷积操作．后滑动多少个像素慑，以３Ｘ３的卷积核为例，卷积核要计算一个ｆｅａｔｕｒｅ?（特??征图）和其在原图上对应的某一小块的结果，只需将卷积核与原图上的像素值进行乘法??运算，然后累加起来，得到卷积后的特征图，如图２．６所示３在这里，我们设置步长（Ｓｔｒｉｄｅ）??为１。??１０??
?安徽大学硕士学位论文???１?３?２?８?０?０??一?？二二?１?１?厂一Ｔ?１－１３＾??一?Ｉ?１＇?￣１??３?４?３?４?６?８?．?３?０－４－２??Ｉ?２?１?１?１?Ｉ?１?Ｓ?１?６￣＊?７?＇?°?＇?」、－１１?１??Ｉ?弟▲?￥?７?２?１?０?Ｍ??２７５０３１?铨枳拽??输入?接积ｆｒｉ的特ｈＥ？??图２．６卷积操作示意图??Ｆｉｇ．?２．６?Ｔｈｅ?ｐｒｏｃｅｓｓ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎ?ｏｐｅｒａｔｉｏｎ?ｄｉａｇｒａｍ??某些情况下需粟在特征图Ｍ围补０，以图２．６输入的特征图为例，步长设置为２，这??时在图像周＿补充０像素，此时在输入图像的边界补〇像素值的方法，称为ｚｅｒｏ－ｐａｄｄｉｎｇ，??过程如图２．７所示，??００００００００??０?１?３?２?８?０?０?０??０?７?９?５?５?１?１?０??０３４３４６８０?￣ｉ￣Ｆ?〇?Ｉ?〇?〇?１３?１３??０?２?１?１?５?６?７?０?Ｘ?１?０?０??＾?０?Ｍ?｜?１４???????１０?０??０?１?５?４?９?７?２?０?〇?１３?ｈ??卷积核??０?２?７?５?０?３?１?０??卷积后的特征图??００００００００??Ｚｅｒｏ－Ｐａｄｄｉｎｇ后的输入??图２．７输入边界补０的卷积过程示意图??Ｆｉｇ．?２．７?Ｔｈｅ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎ?ｗｉｔｈ?ｉｎｐｕｔ?ｂｏｕｎｄａｒｙ?ｃｏｍｐｌｅｍｅｎｔｉｎｇ?０?ｐｒｏｃｅｓｓ??同时在某些情况下，为了维持卷积后的图像大小，也会在卷积后的图像某个周边补??充０像蒙《??
本文编号：3041505
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图２．２?Ｒｅｌｕ函数??Ｆｉｇ?．２．２?Ｔｈｅ?Ｒｅｌｕ?Ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ??
?第二章相关技术＿述???－－３??－－２??■■Ｚ??—Ｉ?１?１??１?１?１???－３?－２?－１?Ｘ?＞１２?３??■?■?＿－１??图２．５?Ｔａｎｈ函数??Ｆｉｇ．?２．５?Ｔｈｅ?Ｔａｎｈ?Ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ??上述过程中的隐藏层的输出为／／?＝?（ＫＸ％?＋?＼），其中０为上述的激活函数。使用??激活函数达到去线性化的目的。??可以看出神经元从输入到输出的这种全连接的结构使得神经网络的参数过多，容易??造成过拟合现象。??２．１．２卷积神经网络??卷积神经网络采用局部连接的思想，龛要包括卷积层＊池化层＊全连接层，以及将??每层的输出转成非线性的激活函数等＾卷积层是卷积神经网络的核心，其参数包括卷积??核的大小和数暈ｓ每次卷积核移动的步长、以及边缘填充等。??卷积核类似一个滤波器，能够提取输入的图像的某些部分的特征。单纯依靠一个滤??波器来提取整个图像的特征往往是不充分的，通常情况下设置多个卷积核，不同的卷积??核侧童于提取不同的特征。卷积神经网络的神经元相瓦之间并没有进行连接，而是进行??局部的感知。在卷积神经网络中，每一层的神经元只连接上一层的局部神经元，这种局??部连接实现了对高维数据的降维，参数量更少。步长是每次卷积核移动的步长，即执行??Ｓ卷积操作．后滑动多少个像素慑，以３Ｘ３的卷积核为例，卷积核要计算一个ｆｅａｔｕｒｅ?（特??征图）和其在原图上对应的某一小块的结果，只需将卷积核与原图上的像素值进行乘法??运算，然后累加起来，得到卷积后的特征图，如图２．６所示３在这里，我们设置步长（Ｓｔｒｉｄｅ）??为１。??１０??
?安徽大学硕士学位论文???１?３?２?８?０?０??一?？二二?１?１?厂一Ｔ?１－１３＾??一?Ｉ?１＇?￣１??３?４?３?４?６?８?．?３?０－４－２??Ｉ?２?１?１?１?Ｉ?１?Ｓ?１?６￣＊?７?＇?°?＇?」、－１１?１??Ｉ?弟▲?￥?７?２?１?０?Ｍ??２７５０３１?铨枳拽??输入?接积ｆｒｉ的特ｈＥ？??图２．６卷积操作示意图??Ｆｉｇ．?２．６?Ｔｈｅ?ｐｒｏｃｅｓｓ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎ?ｏｐｅｒａｔｉｏｎ?ｄｉａｇｒａｍ??某些情况下需粟在特征图Ｍ围补０，以图２．６输入的特征图为例，步长设置为２，这??时在图像周＿补充０像素，此时在输入图像的边界补〇像素值的方法，称为ｚｅｒｏ－ｐａｄｄｉｎｇ，??过程如图２．７所示，??００００００００??０?１?３?２?８?０?０?０??０?７?９?５?５?１?１?０??０３４３４６８０?￣ｉ￣Ｆ?〇?Ｉ?〇?〇?１３?１３??０?２?１?１?５?６?７?０?Ｘ?１?０?０??＾?０?Ｍ?｜?１４???????１０?０??０?１?５?４?９?７?２?０?〇?１３?ｈ??卷积核??０?２?７?５?０?３?１?０??卷积后的特征图??００００００００??Ｚｅｒｏ－Ｐａｄｄｉｎｇ后的输入??图２．７输入边界补０的卷积过程示意图??Ｆｉｇ．?２．７?Ｔｈｅ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎ?ｗｉｔｈ?ｉｎｐｕｔ?ｂｏｕｎｄａｒｙ?ｃｏｍｐｌｅｍｅｎｔｉｎｇ?０?ｐｒｏｃｅｓｓ??同时在某些情况下，为了维持卷积后的图像大小，也会在卷积后的图像某个周边补??充０像蒙《??
本文编号：3041505
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3041505.html
最近更新
教材专著
