基于渐进式增长生成对抗网络的月度源荷场景生成

月度场景生成是月度时序生产模拟、制定电量计划以及细化场景分析的基础。针对月度源荷场景建模通常面临的多元高维变量拟合困难、源-荷不确定性加剧等问题,提出一种基于渐进式增长生成对抗网络的月度源荷场景生成新方法。对月度时序功率序列进行均值拆分处理,以得到多时间尺度功率序列,将源荷序列纵向拼接并结合多时间尺度特性设计相应的二维卷积结构;采用平滑渐进式增长方式及特殊训练策略,逐步生成多颗粒度的源荷场景;生成网络解构低维与高维特征,首先学习月、周下的日尺度特性,再逐渐拟合高维非线性特征,以生成小时级别的720月度场景。最后,基于实际风-光-荷数据集进行算例分析。结果表明所提算法在月度源荷场景生成的有效性,可为月度调度规划提供参考。

基于渐进式生成对抗网络的农作物病虫害细粒度分类

随着深度学习应用的普及和飞速发展,基于深度学习的图像识别方法广泛应用于农作物病虫害领域,但大部分的神经网络重视识别准确率的提高,却忽略神经网络庞大的参数计算量。为解决这个问题,基于渐进式生成对抗网络判别器模型和卷积注意力模块,提出一种改进的渐进式生成对抗网络判别器CPDM网络模型对农作物病虫害进行识别。通过对渐进式生成对抗网络判别器网络结构的调整,采用均衡学习率、像素级特征向量归一化和卷积注意力模块增强CPDM网络模型的特征提取能力,提高对真实图片的识别准确率。试验在PlantVillage数据集上进行,将该模型与VGG16、VGG19和ResNet18进行比较,得到TOP-1准确率分别为99.06%、96.50%、96.65%、98.86%,分别提高2.56%、2.41%、0.2%,且参数量仅为8.2 M。试验证明提出的CPDM网络模型满足在保证分类准确率的基础上,有效控制神经网络参数计算量的目的。

一种渐进式增长条件生成对抗网络模型

渐进式增长生成对抗网络(PGGAN)是一种能够生成高分辨图像的网络模型,但是当样本间的类别不平衡或者样本类别过于相似或不相似时,容易出现模式崩溃现象而导致生成效果不佳。提出一种渐进式增长条件生成对抗网络(PGCGAN)模型,将条件生成对抗网络的思想引入PGGAN,在PGGAN的基础上加入类别信息作为条件,在网络结构和小批量标准差两个方面对PGGAN进行了改进,缓解图像生成过程中的模式崩溃现象。在对3个数据集的实验中,相比于PGGAN,PGCGAN在起始分数(IS)和Fréchet距离(FID)两个评价图像生成的指标方面都有较大程度的提升,生成的图像具有更高的多样性和真实性;且PGCGAN可以同时训练多个无关联的数据集而不崩溃,在类别不平衡或数据过于相似和不相似的数据集中均能产生高质量的图像。

基于渐进式生成对抗网络的舰船红外图像仿真

红外图像仿真在红外导引头设计、仿真训练中起到十分关键的作用。针对如何生成高分辨率、视觉特征可控的红外图像,提出了一种基于渐进式生成对抗网络的红外图像仿真方法。本文利用舰船模型的红外图像数据集训练了图像合成网络,输入随机特征向量,输出高分辨率的红外仿真图像;设计了图像编码网络,实现红外图像到特征向量的转换;利用Logistic回归方法,在特征向量域找到了控制红外图像角度特征的方向向量,并据此生成了不同角度的舰船模型仿真图像;最后通过均值哈希算法和平均结构相似性算法来定量评价仿真图像和真实图像的差异,实验结果表明仿真的红外图像和真实图像的相似度很高,可以为真实舰船的可控化红外图像仿真提供参考。

粗糙面SAR图像渐进式生成对抗网络

粗糙面合成孔径雷达(SAR)图像在遥感和目标识别等领域有着非常重要的意义。目前,粗糙面SAR图像的仿真方法主要有三种:数值法、统计法和解析法。数值法的计算复杂度会随着粗糙面尺寸的增大而升高,导致计算速度变慢,这限制了该方法的应用;统计法如空间相关模型是从统计角度生成SAR图像;解析法如基尔霍夫近似法(KA)等适用于计算粗糙面的散射矩阵。相干空变双向散射分布函数(CSVBSDF)物理模型可以生成多维度参数下的粗糙面的SAR图像,但其计算速度不能满足实时仿真需求。基于CSVBSDF,本文提出了一种粗糙面SAR图像渐进式生成对抗网络(RSPG),提高了SAR图像生成的速度。实验结果表明,生成的SAR图像与真实SAR图像在平均结构相似性指标上达到0.8,并且生成的速度与CSVBSDF相比得到了提高。

基于渐进式GAN逆映射的人脸超分辨率重建

为了缓解生成对抗网络(generative adversarial network,GAN)自身存在的训练不稳定问题,增强图像超分辨率重建的效果,提出一种基于GAN逆映射的图像超分辨率重建算法。通过渐进式网络增加模型的稳定性,通过逆映射金字塔充分学习低分辨人脸图像的语义特征,实现准确的隐空间转换,通过半空间特征调制进行图像增强。对所提算法进行实验验证,该算法在Celeb A数据集上重建8倍后的图像峰值信噪比为27.18 dB,相比超分辨率生成对抗网络(super-resolution generative adversarial network,SRGAN),提高了2.44 dB,模型的收敛速度也更快。实验结果表明,通过GAN逆映射和渐进的方式进行图像超分辨率重建具有较好的效果和更高的稳定性。

复杂光照环境下基于改进生成对抗网络的甘蔗病害样本增强应用分析

甘蔗病害的识别与检测是农业领域的一个重要课题。然而,在实际应用中,受限于光照环境的复杂性以及甘蔗病害样本的不足,传统的数据增强方法难以满足实际需求。为了解决这一问题,提出一种基于改进的生成对抗网络(Improved GAN)的复杂光照环境下甘蔗病害样本增强技术。该方法引入了自注意力机制和渐进式生成对抗网络(ProGAN),实现对甘蔗病害样本的增强。实验结果表明,与传统的数据增强方法相比,提出的方法能够有效提高甘蔗病害识别模型的泛化能力和准确率。

非对称周期推理循环渐进的人脸修复算法研究

针对生成对抗网络中修复网络无法兼顾图像的全局一致性和局部一致性,且计算负载较大的问题,在非对称U-Net网络架构的基础上引入渐进修复的思想。首先,提出了非对称周期特征推理模块,增加图像修复内容与周围已知像素之间的关联性,提高了修复图像的全局一致性表现;其次,提出新型的U-Net结构生成器网络,避免了编码器中的未知像素进入解码器,从而破坏解码器中特征的问题;最后,引入了感知损失和风格损失,进而提高了网络在主观评价下的修复效果。在人脸图像数据集上的实验表明,该算法在主观视觉效果和客观指标上都有显著的提高。

基于改进PGGAN的口腔图像数据增强算法

为解决口腔图像数据量小与图像高质量、高细节需求间的矛盾,研究一种传统数据增强和渐进增长式生成对抗网络(progressive growing of generative adversarial networks,PGGAN)算法相结合的数据增强方法。利用渐进式增长的网络结构和网络平滑机制,实现病灶图像的扩增,解决传统数据增强算法对图像多样性提升的局限性问题。针对PGGAN算法生成病灶细节存在缺陷的问题,结合轻量化的注意力机制,优化PGGAN算法,提升图像的质量。实验结果表明,针对口腔白斑和口腔扁平苔藓数据集,改进PGGAN算法生成图像的质量和多样性均有所提升。通过与其它典型网络的对比实验,进一步验证了算法的有效性。

基于深度学习的车牌超分辨率重建

车牌图像重建是实现智能交通的重要步骤.在经过不断的重复实验后,本文提出了一种新的基于生成对抗网络(GAN)的超分辨率车牌图像重建模型.所提出的办法主要包括4个部分:(1)预处理输入图像,包括调整图片大小和筛选对比度差的图片;(2)引入了残差密集网络,能够充分提取车牌图像特征;(3)引入渐进式采样进行图片重建,因其具有较大的感受野,能提供更多的信息细节;(4)引入基于PatchGAN的鉴别器模型,该模型能更加精准地判断,从而引导生成器进行更高质量、更多细节的图像重建.通过在CCPD数据集上与目前较优的算法进行比较,证明本文的模型重建的车牌图像具有较高的PSNR和SSIM,分别达到了26.80和0.77,而且重建单帧图像的花费时间更少,仅为0.06 s,进而证明了我们算法的可行性.