基于少量样本的深度学习图像修复算法研究
发布时间：2021-07-15 12:23
图像修复一直以来是计算机视觉领域的一个热门课题,近几年随着人工智能的蓬勃发展,深度学习也随之快速发展。特别是在图像识别、图像分类、语音识别、身份识别、目标跟踪、图像修复、行为分析等领域的研究上有了巨大的发展。深度学习对于非线性问题的拟合以及对于图像、语音等物理特征的快速有效提取,使得这些原本在传统方法上需要人为设定并人工提取特征的问题变得简单。深度学习的模型训练和学习变得更为方便和快速。虽然深度学习有效解决了一些非线性问题的模型拟合,但是深度学习模型的实现需要大量的训练数据。在图像修复领域,小空洞覆盖的情况下传统方法可以通过对空洞周边信息的计算实现图像修复。但是在大空洞的情况下传统方法由于空洞区域过大,无法实现有效信息的关联,使得无法准确的恢复空洞中的信息。深度学习可以通过对图像提取高级特征,实现对空洞区域的语义理解,实现语义上的恢复。现有的深度学习图像修复算法,往往基于大样本数据的前提下,在小样本数据的情况往往没有很好的修复效果。针对小样本的情况,本文提出了一种对抗循环卷积神经网络算法,该算法充分利用了循环网络提取了多级图像特征。实现了在网络层数较少的情况下对小样本数据的图像的修复。...
【文章来源】：浙江工业大学浙江省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
扩张卷积Figure2-8.DilatedConvolution
基于少量样本的深度学习图像修复算法研究，而且对数据样本的类型也有要求。假如现在得到的是关于人脸修复的特征提网络，新的任务是对自然图像的修复，那么特征提取网络就要重新训练。第二方法不需要先训练一个特征提取网络，可以直接在目标网络上进行图像修复且只要输入图像是待修复的图像即可。对特征的保持，最先想到的就是循环神网络 RNN（Recurrent Neural Network），其中的 LSTM[76]（Long Short-Teremory）是循环神经网络中的经典算法之一。RNN 是专门用来解决连续性问题设计的。在语言和文字领域 RNN 是常用的网络结构。在连续性的环境中神络需要提取到信息流的主要信息，根据输入信息的重要程度来判断是否将信往或者加入之前的信息储备。通过将网络的隐藏状态与新输入的不断取舍来优网络参数。RNN 的结构如图 3-1 所示：
浙江工业大学硕士学位论文以实现对之前数据的总结形成自己的隐层数据h，隐层数据的形成就可以当是网络的先验学习。在经过多次循环后隐层数据趋于稳定，就可以用网络自身的隐层作为先验来代替元学习的先验网络。受到循环神经网络的启发，本文设计了循环卷积神经网络。最初的输入为待修复图像，将神经网络的输出图像再次输入神经网络。如此循环，即使是较为浅层的神经网络模型也可以学习到不同修复程度的图像。这样得到由粗到细的图像生成，通过循环卷积的方式，网络得到的语义越来越高级，纹理信息也越来越精细。图像修复架构图，如图 3-2 所示：
【参考文献】：
期刊论文
[1]不同纹理复杂度图像生成中CycleGAN循环一致损失系数优化选择方法[J]. 徐强,钟尚平,陈开志,张春阳. 计算机科学. 2019(01)
[2]基于双鉴别网络的生成对抗网络图像修复方法[J]. 刘波宁,翟东海. 计算机应用. 2018(12)
[3]基于公共空间嵌入的端到端深度零样本学习[J]. 秦牧轩,荆晓远,吴飞. 计算机技术与发展. 2018(11)
[4]基于条件深度卷积生成对抗网络的图像识别方法[J]. 唐贤伦,杜一铭,刘雨微,李佳歆,马艺玮. 自动化学报. 2018(05)
[5]ReLU激活函数优化研究[J]. 蒋昂波,王维维. 传感器与微系统. 2018(02)
[6]基于深度学习与随机森林的人脸年龄与性别分类研究[J]. 董兰芳,张军挺. 计算机工程. 2018(05)
[7]面向自然语言处理的深度学习研究[J]. 奚雪峰,周国栋. 自动化学报. 2016(10)
[8]基于深度神经网络的身份识别研究[J]. 冯贺平,杨敬娜,吴梅梅. 电脑知识与技术. 2016(22)
[9]深度学习在视频目标跟踪中的应用进展与展望[J]. 管皓,薛向阳,安志勇. 自动化学报. 2016(06)
[10]时空域深度卷积神经网络及其在行为识别上的应用[J]. 刘琮,许维胜,吴启迪. 计算机科学. 2015(07)
博士论文
[1]基于少量样本的快速目标检测与识别[D]. 徐培.电子科技大学 2014
[2]基于神经网络学习的统计机器翻译研究[D]. 杨南.中国科学技术大学 2014
硕士论文
[1]基于深度学习的图像分类及应用研究[D]. 辛晨.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[2]基于深度学习的图像生成技术研究与应用[D]. 虢齐.电子科技大学 2017
[3]基于深度学习的人脸识别研究[D]. 林妙真.大连理工大学 2013
[4]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3285699
【文章来源】：浙江工业大学浙江省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
扩张卷积Figure2-8.DilatedConvolution
基于少量样本的深度学习图像修复算法研究，而且对数据样本的类型也有要求。假如现在得到的是关于人脸修复的特征提网络，新的任务是对自然图像的修复，那么特征提取网络就要重新训练。第二方法不需要先训练一个特征提取网络，可以直接在目标网络上进行图像修复且只要输入图像是待修复的图像即可。对特征的保持，最先想到的就是循环神网络 RNN（Recurrent Neural Network），其中的 LSTM[76]（Long Short-Teremory）是循环神经网络中的经典算法之一。RNN 是专门用来解决连续性问题设计的。在语言和文字领域 RNN 是常用的网络结构。在连续性的环境中神络需要提取到信息流的主要信息，根据输入信息的重要程度来判断是否将信往或者加入之前的信息储备。通过将网络的隐藏状态与新输入的不断取舍来优网络参数。RNN 的结构如图 3-1 所示：
浙江工业大学硕士学位论文以实现对之前数据的总结形成自己的隐层数据h，隐层数据的形成就可以当是网络的先验学习。在经过多次循环后隐层数据趋于稳定，就可以用网络自身的隐层作为先验来代替元学习的先验网络。受到循环神经网络的启发，本文设计了循环卷积神经网络。最初的输入为待修复图像，将神经网络的输出图像再次输入神经网络。如此循环，即使是较为浅层的神经网络模型也可以学习到不同修复程度的图像。这样得到由粗到细的图像生成，通过循环卷积的方式，网络得到的语义越来越高级，纹理信息也越来越精细。图像修复架构图，如图 3-2 所示：
【参考文献】：
期刊论文
[1]不同纹理复杂度图像生成中CycleGAN循环一致损失系数优化选择方法[J]. 徐强,钟尚平,陈开志,张春阳. 计算机科学. 2019(01)
[2]基于双鉴别网络的生成对抗网络图像修复方法[J]. 刘波宁,翟东海. 计算机应用. 2018(12)
[3]基于公共空间嵌入的端到端深度零样本学习[J]. 秦牧轩,荆晓远,吴飞. 计算机技术与发展. 2018(11)
[4]基于条件深度卷积生成对抗网络的图像识别方法[J]. 唐贤伦,杜一铭,刘雨微,李佳歆,马艺玮. 自动化学报. 2018(05)
[5]ReLU激活函数优化研究[J]. 蒋昂波,王维维. 传感器与微系统. 2018(02)
[6]基于深度学习与随机森林的人脸年龄与性别分类研究[J]. 董兰芳,张军挺. 计算机工程. 2018(05)
[7]面向自然语言处理的深度学习研究[J]. 奚雪峰,周国栋. 自动化学报. 2016(10)
[8]基于深度神经网络的身份识别研究[J]. 冯贺平,杨敬娜,吴梅梅. 电脑知识与技术. 2016(22)
[9]深度学习在视频目标跟踪中的应用进展与展望[J]. 管皓,薛向阳,安志勇. 自动化学报. 2016(06)
[10]时空域深度卷积神经网络及其在行为识别上的应用[J]. 刘琮,许维胜,吴启迪. 计算机科学. 2015(07)
博士论文
[1]基于少量样本的快速目标检测与识别[D]. 徐培.电子科技大学 2014
[2]基于神经网络学习的统计机器翻译研究[D]. 杨南.中国科学技术大学 2014
硕士论文
[1]基于深度学习的图像分类及应用研究[D]. 辛晨.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[2]基于深度学习的图像生成技术研究与应用[D]. 虢齐.电子科技大学 2017
[3]基于深度学习的人脸识别研究[D]. 林妙真.大连理工大学 2013
[4]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3285699
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3285699.html
最近更新
教材专著
