自编码网络优化及其应用
发布时间：2021-06-01 01:39
自编码网络是最有效的机器学习算法之一,它具有非常强的非线性拟合能力和容错能力,能自动提取数据中的有效信息,并将其植入网络权值,取得良好的自适应效果。随着互联网的飞速发展,大量无标签和标签不确定的图片分类问题急需解决,由于自编码网络具有无监督学习的特性,受到越来越多重视,在图像重构和分类上得到了广泛的应用。在自编码网络中,增加网络层数可以提取不同级别的特征,但同时带来了计算复杂度,重构图片主观感知效果较差和提取聚类特征不理想等问题。针对这些问题,本文主要从网络结构和损失度量两个方面对自编码网络进行优化:1.实现了基于子像素全卷积网络的自编码算法。针对自编码网络在解码层由于空间分辨率逐层增加引起的误差累积问题,使用基于子像素卷积网络替换解码层,先提取特征,然后在最后一层通过子像素卷积神经网络直接还原成输入数据。针对全连接层丢失空间位置信息的问题,用卷积层替换全连接层。实验表明,基于子像素全卷积的自编码网络在图像重构中PSNR提高了2.93%,SSIM提高了6.60%,运行时间提高了47.40%。2.提出了基于对抗MSE（Mean Square Error,MSE）度量的自编码网络算法。针对...
【文章来源】：深圳大学广东省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
monarch原图及其细节图
(a) DenseNet (b) 细节图图 3- 11 与表 3-3 对应解码图及细节图由表 3-3 可以看出，DenseNet 的图片重构结果和聚类性能明显优于其他 CNN 网构，这也进一步验证了 DenseNet 的有效性，而对应的计算复杂度随之增加，这主 DenseNet 的高层网络需要将前面层的所有输入都进行加权，因此增加了相应的计杂度。图 3-11 的实验结果再次表明更好的 CNN 网络结构能够有效提升自编码网络像细节信息的保留。.4.2 不同网络结构在不同数据库上的性能比较表 3- 4 不同数据集、不同网络网络结构对自编码网络性能、聚类结果的影响网络结构 自编码网络 子像素网络优化 全卷积网络优化子像素全卷积网络优化
Zebra PSNR=31.15SSIM=0.923PSNR=31.49SSIM=0.931PSNR=32.56SSIM=0.942图 4- 3 基于对抗 MSE 的自编码网络在不同权重生成网络下的重构结果为了进一步分析，基于对抗 MSE 的自编码网络，图 4- 4 给出了权重生成网络最终得到的权重图。由图 4-4 可以看出，权重生成网络得到的权重不仅能够表征图像中的平滑区域和非平滑区域的分布情况，而且能够在一定程度上反映重构结果。例如，Baboon图像对应的权重图中的大部分权重都具有较大的值，这意味着图像中的大部分区域都比较难以重构，因此对应的重构结果较差，而 Lena 图像则与之相反。comicbaboonlennazebra
本文编号：3209401
【文章来源】：深圳大学广东省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
monarch原图及其细节图
(a) DenseNet (b) 细节图图 3- 11 与表 3-3 对应解码图及细节图由表 3-3 可以看出，DenseNet 的图片重构结果和聚类性能明显优于其他 CNN 网构，这也进一步验证了 DenseNet 的有效性，而对应的计算复杂度随之增加，这主 DenseNet 的高层网络需要将前面层的所有输入都进行加权，因此增加了相应的计杂度。图 3-11 的实验结果再次表明更好的 CNN 网络结构能够有效提升自编码网络像细节信息的保留。.4.2 不同网络结构在不同数据库上的性能比较表 3- 4 不同数据集、不同网络网络结构对自编码网络性能、聚类结果的影响网络结构 自编码网络 子像素网络优化 全卷积网络优化子像素全卷积网络优化
Zebra PSNR=31.15SSIM=0.923PSNR=31.49SSIM=0.931PSNR=32.56SSIM=0.942图 4- 3 基于对抗 MSE 的自编码网络在不同权重生成网络下的重构结果为了进一步分析，基于对抗 MSE 的自编码网络，图 4- 4 给出了权重生成网络最终得到的权重图。由图 4-4 可以看出，权重生成网络得到的权重不仅能够表征图像中的平滑区域和非平滑区域的分布情况，而且能够在一定程度上反映重构结果。例如，Baboon图像对应的权重图中的大部分权重都具有较大的值，这意味着图像中的大部分区域都比较难以重构，因此对应的重构结果较差，而 Lena 图像则与之相反。comicbaboonlennazebra
本文编号：3209401
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3209401.html
