结合感知损失与双重对抗网络的低剂量CT图像去噪

低剂量计算机断层扫描(LDCT)成像技术在医学诊断中得到广泛应用,但其斑纹噪声和非平稳条纹伪影复杂,目前多数算法仅依靠推断条件后验概率来实现图像去噪,无法应对LDCT图像噪声复杂、数据量少、先验知识缺乏的问题。提出一种结合感知损失的双重对抗网络去噪算法,以实现LDCT图像复原。该算法包含一个去噪器和一个生成器,分别从图像去噪和噪声生成2个角度来建模干净-噪声图像对的联合分布,通过联合学习使得去噪器和生成器相互指导,从而充分学习数据中的噪声信息和清晰图像信息,且学习到的去噪器可以直接用于LDCT图像修复。考虑到通过感知损失学习语义特征差异可以使去噪结果保留更多的细节和边缘信息,提出一种掩膜自监督方法,针对CT图像域训练一个语义特征提取网络用于计算感知损失。实验结果表明,与BM3D、RED-CNN、WGAN-VGG等主流去噪算法相比,该算法可以有效抑制噪声并去除伪影,最大程度地保留边缘轮廓和纹理细节,产生更符合人眼视觉特性的去噪效果,与当下LDCT图像去噪性能较好的SACNN算法相比,所提算法的PSNR和SSIM指标分别提升1.26 dB和1.8%。

双重对抗无监督域自适应绝缘子检测算法

绝缘子检测在输电线路智能巡检中具有重要的应用价值。基于深度学习的绝缘子检测是一类常用的方法。然而,在某些情况下仅能获取某一类型绝缘子数据,用其训练得到的模型直接应用到跨域绝缘子检测,性能会急剧下降。为此,提出一种双重对抗的无监督域自适应绝缘子检测算法。具体地,为缓解绝缘子图像背景复杂对检测性能带来的影响,设计了一种混淆判别机制。在该机制中,输入两种不同类型的绝缘子图像到两个不同的判别器中进行分类,再通过对抗训练将两种绝缘子进行交叉分类以学习到域不变特征。此外,通过最大最小化目标域的两个分类结果分别优化判别器和特征提取器,减轻不同类型绝缘子外观差异较大的问题。大量的实验证明了提出方法的有效性。

《杜十娘怒沉百宝箱》中的双重对抗

《杜十娘怒沉百宝箱》是优秀的爱情悲剧,其文本结构中潜伏着双重对抗:百宝箱代表的富贵与布政使代表的宗法、权势的对抗;风流士子与暴发商人的对抗。这双重对抗左右着主人公的命运,更显示了明末特有的精神气候。

双重对抗自编码数据扩张方法及应用

针对深度学习存在的数据不足、质量不高的问题,将自编码网络的训练稳定特性和生成对抗网络的对抗特性相结合,提出了双重对抗自编码(CAAE)数据扩张方法,并将其应用到永磁同步电机(PMSM)故障诊断中.在模型训练过程中,利用网络模型学习原始数据的分布,将压缩后的变量和解码后的重构数据分别输入到对应的判别器,形成双重对抗,保证生成数据的质量.训练完成后,将满足特定分布的随机变量和类别标签输入到训练后的网络模型,即可生成相应类别的数据.以电机匝间短路为例,在自建电机数据集上,通过双重对抗自编码进行故障数据扩张,根据各项指标的提升验证模型的有效性.结果表明:与传统数据扩张方法对比,双重对抗自编码生成的数据质量更高,能够提高诊断准确率.

DGANS：基于双重生成式对抗网络的稳健图像隐写模型

深度卷积神经网络可有效地应用于大容量图像信息隐写,然而其稳健性研究却鲜有报道。双重生成式对抗网络(DGANS)模型对深度学习框架应用于图像隐写时,针对小幅度几何变换攻击进行了优化设计,从而提高模型的稳健性。DGANS由2个串联的生成式对抗网络构成,可将灰度图像隐藏到相同大小的彩色或灰度图像中并还原。通过对生成的含密图像进行数据增强并进一步强化训练提取网络,使提取网络对输入图像的几何变换具有适应性。实验结果表明,DGAN不仅可以实现高容量的图像信息隐写,而且可以对抗一定范围内的几何攻击,比同类模型有更好的稳健性。