基于DCGAN的高分辨率天文图像生成研究

发布时间：2022-01-22 08:54

　　为生成分辨率大于等于256×256的恒星和星系图像,帮助预测未知的恒星和星系,采用了深度卷积对抗生成网络（DCGAN）以及改进的神经元抛弃方法。通过研究对抗生成网络（GAN）的结构,优化了图像生成模型和训练过程,得到了稳定的能够生成高分辨率的恒星和星系图像生成模型。为了验证上述方法的有效性,在实验中采用了斯隆数字巡天数据库（SDSS）中的图像作为训练图像,生成了256×256以及512×512两种高分辨率的恒星和星系图像,并将结果与采用GAN生成的结果进行了对比。实验结果证明上述算法有效可行,能够在保证模型稳定性的前提下,生成清晰度更高的高分辨率恒星和星系图像。 

【文章来源】：计算机仿真. 2019,36(12)北大核心

【文章页数】：6 页

【部分图文】：

部分512×512×3训练图像

其中σ是激活函数(线性或非线性)。大多数的深度学习网络使用的是多层前馈神经网络结构,也就是一层中的每一个神经元都与下一层的神经元相连接。如图4所示,除了输入层和输出层之外的所有层都被称为隐藏层。

大多数的深度学习网络使用的是多层前馈神经网络结构,也就是一层中的每一个神经元都与下一层的神经元相连接。如图4所示,除了输入层和输出层之外的所有层都被称为隐藏层。CNN是一种典型的深度前馈神经网络,它在计算机视觉领域有着广泛的应用。CNN的输入是图像,中间每层的输出被称为特征图,为了得到最后的输出,中间产生的每个特征图都会与一组称为过滤器的权重进行卷积,并对这些卷积的加权进行非线性激活,例如ReLU或Leaky-Relu[12]。这其中不同的特征图使用不同的过滤器集,而同一个特征图内的所有神经元则共用过滤器集。

【参考文献】：
期刊论文
[1]基于深度卷积神经网络的指纹纹型分类算法[J]. 江璐,赵彤,吴敏.  中国科学院大学学报. 2016(06)
[2]基于卷积神经网络的图像生成方式分类方法[J]. 李巧玲,关晴骁,赵险峰.  网络与信息安全学报. 2016(09)
[3]基于卷积神经网络的SAR图像目标识别研究.[J]. 田壮壮,占荣辉,胡杰民,张军.  雷达学报. 2016(03)
[4]大数据下的基于深度神经网的相似汉字识别[J]. 杨钊,陶大鹏,张树业,金连文.  通信学报. 2014(09)
[5]一种改进的深度神经网络在小图像分类中的应用研究[J]. 吕刚,郝平,盛建荣.  计算机应用与软件. 2014(04)

硕士论文
[1]基于卷积神经网络的图像语义分割[D]. 陈鸿翔.浙江大学 2016
[2]基于卷积神经网络的人脸检测和性别识别研究[D]. 汪济民.南京理工大学 2015
[3]基于学习的人脸表情动画生成方法研究[D]. 刘莎.电子科技大学 2013



本文编号：3601903