基于改进的U-net的图像合成方法研究
发布时间：2021-11-26 22:07
图像合成是深度学习和视觉计算中的一个重要的研究方向,其在当今社会生活中具有广泛的应用前景和价值。它一般通过对输入的原始图像进行特征的提取与分析,再对这些特征作特定的约束与变换得到新的特征,最后利用新的特征来合成输出新的图像。传统的图像合成方法一般基于人为设定的特征如颜色直方图、纹理信息、形状信息和灰度信息等,再结合先验知识进行图像合成的研究。这类方法由于过度依赖人为设定的浅层特征而忽略了图像的深层特征和空间相关特征,因此难以合成令人满意的新图像,从而在实际环境中无法适用。近年来,以深度学习技术为核心的图像合成方法已经在很多行业取得了很大的成果。这类方法主要使用深层神经网络来构建对应的图像生成模型用于新的图像合成。U-net和生成对抗网络是两个常用于图像合成的深度网络模型。但是U-net仍存在一定的局限性,U-net是一种左右对称的U型网络,在增大输出图像分辨率的同时,网络中卷积层的数量会成倍增加,这会导致网络层次加深,使网络的训练变得更加困难,模型的学习性能会发生退化,最终造成合成的图像具有较低的质量。因此,对U-net的结构进行改进和优化就非常有必要和意义。为了解决上述问题,本文提出...
【文章来源】：湖北工业大学湖北省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
U-net的体系结构
湖北工业大学硕士学位论文8层的输入特征图上。这也就是说，将低层特征复制到相应的高层特征上，实际上是创造了一条信息传播的路径，使信号更容易地在低层和高层之间传播，这不仅有利于梯度在训练过程中的反向传播，而且还可以将较低层次的细粒度特征输送到给高层次的粗粒度特征。2.2生成对抗网络生成对抗网络是深度学习中的一个非常重要的深度生成模型，其通常包括同时学习的生成器网络和判别器网络。生成器用于生成接近真实样本的分布，来生成新的图像。判别器可以当成是一种二分类模型，用于判别生成的样本与真实样本之间的真假关系。这两个网络通常使用最小-最大博弈进行优化：生成器往往尽可能的生成接近真实分布的数据来达到欺骗判别器的目的，而判别器通过找到真实数据与生成的数据之间的最佳区分来尝试不被生成器欺骗。图2.2生成对抗网络的体系结构如图2.2所示生成对抗网络的主要结构。在图2.2中，生成器网络由矩形G来表示，判别器网络由矩形D来表示，z表示的是模型的原始输入，可以是一段噪音，一张图像或是一段文本等。G(z)表示生成器的输出即生成的假的数据分布，而x表示真实的数据分布。在实际研究和应用过程中，生成器和判别器一般都是经典的卷积神经网络。判别器网络参数的优化目标是最大化区分生成器的假数据
湖北工业大学硕士学位论文9与真实数据之间的概率，而生成器网络参数是以最大化判别器不能识别其生成的样本的概率为优化目标。生成对抗网络的执行流程可简述如下：（1）张量z作为生成器的输入数据，该张量取样自一个潜在的先验分布或是一个无序的噪音，再由生成器G对输入z进行约束和变换，获得生成的假样本G(z)。（2）将G(z)和x分别输入判别器，然后判别器输出输入为真实样本的概率。（3）训练模型的最终目标。经过一系列的训练迭代和参数优化，整个网络包括生成器和判别器两者的损失会逐渐收敛至一个平衡点，也叫纳什平衡。在训练生成对抗网络的迭代过程中，生成器和判别器将会不断被优化从而不断提升性能。当执行训练到一定的迭代次数时，即判别器判别生成的数据为真的概率逼近0.5时，可以认为此时生成器能够得到符合真实样本分布的输出结果。2.3残差模块残差模块（Residualbloack）是在2015年由何凯明等人提出来用于解决随着网络深度的增加，网络模型会发生退化的问题，即网络的层数不断增加，其网络的准确率虽然一开始会上升，但到最后会迅速下降[38]。实际上，当网络模型达到一定深的层数时，网络模型的性能就已经无法再提升，如果再继续加深网络的层数，只会使网络变得更加复杂，冗余度过大，最终性能会下降，也就是网络的退化问题。这种问题并不是由过拟合造成的，因为模型在训练和测试时，性能均会下降。何等人通过大量研究提出了基于残差模块的残差网（ResidualNetworks，ResNets），该网络模型具有不同层数的深度，如Resnet18、Resnet50和Resnet101等，其有效的证明了残差模块能够解决更深层网络模型的退化问题[38]。图2.3残差块结构图如图2.3所示残差模块的基本结构。由图可知，在残差模块中，一个快捷连
【参考文献】：
期刊论文
[1]面向医学图像分割的超像素U-Net网络设计[J]. 王海鸥,刘慧,郭强,邓凯,张彩明. 计算机辅助设计与图形学学报. 2019(06)
[2]基于带孔U-net神经网络的肺癌危及器官并行分割方法[J]. 周正东,李剑波,辛润超,涂佳丽,贾俊山,魏士松. 东南大学学报(自然科学版). 2019(02)
[3]基于条件生成式对抗网络的数据增强方法[J]. 陈文兵,管正雄,陈允杰. 计算机应用. 2018(11)
[4]基于卷积神经网络的图像着色[J]. 徐中辉,吕维帅. 电子技术应用. 2018(10)
[5]基于生成对抗网络的漫画草稿图简化[J]. 卢倩雯,陶青川,赵娅琳,刘蔓霄. 自动化学报. 2018(05)
[6]生成对抗网络模型综述[J]. 张营营. 电子设计工程. 2018(05)
[7]生成式对抗网络研究进展[J]. 王万良,李卓蓉. 通信学报. 2018(02)
[8]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
硕士论文
[1]基于深度学习的图像合成技术研究[D]. 沈卓荟.华东师范大学 2018
本文编号：3521003
【文章来源】：湖北工业大学湖北省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
U-net的体系结构
湖北工业大学硕士学位论文8层的输入特征图上。这也就是说，将低层特征复制到相应的高层特征上，实际上是创造了一条信息传播的路径，使信号更容易地在低层和高层之间传播，这不仅有利于梯度在训练过程中的反向传播，而且还可以将较低层次的细粒度特征输送到给高层次的粗粒度特征。2.2生成对抗网络生成对抗网络是深度学习中的一个非常重要的深度生成模型，其通常包括同时学习的生成器网络和判别器网络。生成器用于生成接近真实样本的分布，来生成新的图像。判别器可以当成是一种二分类模型，用于判别生成的样本与真实样本之间的真假关系。这两个网络通常使用最小-最大博弈进行优化：生成器往往尽可能的生成接近真实分布的数据来达到欺骗判别器的目的，而判别器通过找到真实数据与生成的数据之间的最佳区分来尝试不被生成器欺骗。图2.2生成对抗网络的体系结构如图2.2所示生成对抗网络的主要结构。在图2.2中，生成器网络由矩形G来表示，判别器网络由矩形D来表示，z表示的是模型的原始输入，可以是一段噪音，一张图像或是一段文本等。G(z)表示生成器的输出即生成的假的数据分布，而x表示真实的数据分布。在实际研究和应用过程中，生成器和判别器一般都是经典的卷积神经网络。判别器网络参数的优化目标是最大化区分生成器的假数据
湖北工业大学硕士学位论文9与真实数据之间的概率，而生成器网络参数是以最大化判别器不能识别其生成的样本的概率为优化目标。生成对抗网络的执行流程可简述如下：（1）张量z作为生成器的输入数据，该张量取样自一个潜在的先验分布或是一个无序的噪音，再由生成器G对输入z进行约束和变换，获得生成的假样本G(z)。（2）将G(z)和x分别输入判别器，然后判别器输出输入为真实样本的概率。（3）训练模型的最终目标。经过一系列的训练迭代和参数优化，整个网络包括生成器和判别器两者的损失会逐渐收敛至一个平衡点，也叫纳什平衡。在训练生成对抗网络的迭代过程中，生成器和判别器将会不断被优化从而不断提升性能。当执行训练到一定的迭代次数时，即判别器判别生成的数据为真的概率逼近0.5时，可以认为此时生成器能够得到符合真实样本分布的输出结果。2.3残差模块残差模块（Residualbloack）是在2015年由何凯明等人提出来用于解决随着网络深度的增加，网络模型会发生退化的问题，即网络的层数不断增加，其网络的准确率虽然一开始会上升，但到最后会迅速下降[38]。实际上，当网络模型达到一定深的层数时，网络模型的性能就已经无法再提升，如果再继续加深网络的层数，只会使网络变得更加复杂，冗余度过大，最终性能会下降，也就是网络的退化问题。这种问题并不是由过拟合造成的，因为模型在训练和测试时，性能均会下降。何等人通过大量研究提出了基于残差模块的残差网（ResidualNetworks，ResNets），该网络模型具有不同层数的深度，如Resnet18、Resnet50和Resnet101等，其有效的证明了残差模块能够解决更深层网络模型的退化问题[38]。图2.3残差块结构图如图2.3所示残差模块的基本结构。由图可知，在残差模块中，一个快捷连
【参考文献】：
期刊论文
[1]面向医学图像分割的超像素U-Net网络设计[J]. 王海鸥,刘慧,郭强,邓凯,张彩明. 计算机辅助设计与图形学学报. 2019(06)
[2]基于带孔U-net神经网络的肺癌危及器官并行分割方法[J]. 周正东,李剑波,辛润超,涂佳丽,贾俊山,魏士松. 东南大学学报(自然科学版). 2019(02)
[3]基于条件生成式对抗网络的数据增强方法[J]. 陈文兵,管正雄,陈允杰. 计算机应用. 2018(11)
[4]基于卷积神经网络的图像着色[J]. 徐中辉,吕维帅. 电子技术应用. 2018(10)
[5]基于生成对抗网络的漫画草稿图简化[J]. 卢倩雯,陶青川,赵娅琳,刘蔓霄. 自动化学报. 2018(05)
[6]生成对抗网络模型综述[J]. 张营营. 电子设计工程. 2018(05)
[7]生成式对抗网络研究进展[J]. 王万良,李卓蓉. 通信学报. 2018(02)
[8]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
硕士论文
[1]基于深度学习的图像合成技术研究[D]. 沈卓荟.华东师范大学 2018
本文编号：3521003
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3521003.html
最近更新
教材专著
