基于多判别器辅助分类器生成对抗网络的故障诊断方法研究

在强冲击、强辐射、极高温等极端恶劣的工作环境下,机械设备的故障模式复杂多样,获得充足且有效的故障数据变得非常困难甚至难以实现,以致故障诊断的准确性受限,后续检修维护方案难以有效制定。针对这一问题,提出了一种多判别器辅助分类器生成对抗网络的数据增强算法。通过设置3个判别器、1个生成器并添加独立的分类器,构建了新的辅助分类器生成对抗网络模型。针对在该模型训练中存在的不稳定性问题,通过引入Wasserstein距离构造新的损失函数,并采用稳定性更具优势的单边软约束正则化项替换原有的L2梯度惩罚项来解决模型崩溃问题;在此基础上,采用高效通道注意力机制来进一步提高模型的特征提取能力。将所提出的模型应用于扩充机械设备故障数据集,辅助深度学习智能诊断模型的训练。多个故障数据集扩充实验表明,与现有模型相比,新模型所生成数据的质量更高,故障诊断的准确率也得到进一步提高,因此具有较高的应用价值。

基于多任务判别器与注意力机制的虚拟试衣研究

为了解决具有错位和遮挡处理条件的高分辨率虚拟试戴(HR-VITON)在处理复杂纹理表现和服装特征交互方面的局限性问题,在基于具有错位和遮挡处理条件的高分辨率虚拟试衣方法的基础上,提出了一种结合多任务判别器与注意力机制的虚拟试衣方法。首先,通过在条件构造器中加入高效通道注意力机制,有效地增强了特征融合;其次,在图像生成网络中采用多任务判别器,以增强对服装渲染的全局和局部尺度评估。通过不断调整网络的学习参数,最终将模型放在数据集VITON-HD Dataset上进行虚拟试衣实验。实验结果表明,与原方法相比,该方法的图像感知相似度(LPIPS)提升了6%、分布距离指标(FID)提升了4.8%,虚拟试衣效果更好。

基于条件生成对抗插补网络的双重判别器缺失值插补算法

应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。

基于注意力机制和随机像素擦除的双判别器单图生成对抗网络

针对单一自然图像生成模型的梯度消失和模式崩溃问题,提出了基于注意力机制和随机像素擦除的双判别器单图生成对抗网络模型。具体方法为:在生成器中引入CBAM模块以增强特征表示;采用多样性损失优化损失函数提高生成图像多样性;在图像上采样及过渡到下一阶段前增加随机像素擦除进一步丰富输出的多样性;在判别器中集成自注意力机制捕获更加全面的依赖关系;实施双判别器设计减轻模式崩溃问题。实验结果表明:与单一自然图像生成模型相比,本文方法在图像质量、多样性和训练稳定性方面均有显著提升。

基于双判别器的GANomaly异常检测方法研究

在异常检测领域中,生成对抗网络(Generative Adversarial Nets, GAN)和自编码器(Autoencoder, AE)近年来取得了较好的应用效果。然而,现有的基于GAN的异常检测模型普遍存在重构能力差的问题。针对于此,该文提出一种双判别器的GANomaly网络模型,其中,全局判别器用于提高图像的重构能力,局部判别器用于提高在空间层次的编码能力。分别在MvTec数据集和自制轮胎X光图像数据集上对文中所提方法进行验证,实验结果表明,该方法能够有效提升模型的重构能力,降低异常分数阈值,提高异常检测的准确率。

基于双判别器对抗模型的半监督跨语言词向量表示方法

跨语言词向量表示旨在利用语言资源丰富的词向量提高语言资源缺乏的词向量表示.已有方法学习2个词向量空间的映射关系进行单词对齐,其中生成对抗网络方法能在不使用对齐字典的条件下获得良好性能.然而,在远语言对上,由于缺乏种子字典的引导,映射关系的学习仅依赖向量空间的全局距离,导致求解的词对存在多种可能,难以准确对齐.为此,提出了基于双判别器对抗的半监督跨语言词向量表示方法.在已有对抗模型基础上,增加一个双向映射共享的、细粒度判别器,形成具有双判别器的对抗模型.此外,引入负样本字典补充预对齐字典,利用细粒度判别器进行半监督对抗学习,消减生成多种词对的可能,提高对齐精度.在2个跨语言数据集上的实验效果表明,提出的方法能有效提升跨语言词向量表示性能.

基于双判别器异构CycleGAN框架下多阶通道注意力校准的室外图像去雾

图像去雾是计算机视觉领域中一个经典并具有挑战性的研究方向.近年来,基于深度学习的方法在图像去雾领域取得了显著的成绩.然而,大多数去雾算法依赖于合成配对数据训练网络,由于合成数据与真实有雾数据在分布上存在一定的差距,从而限制了这类去雾方法的实际应用.目前基于CycleGAN网络框架的去雾算法将图像去雾视为一般性图像转换问题,忽视了生成器学习的有效性;此外,在恢复图像时缺乏对于局部区域的探索,构建的网络结构中仅采用一阶通道注意力,忽略了深层次通道相关信息的有效利用.为此,本文提出一种基于双判别器异构CycleGAN框架下多阶通道注意力校准的室外图像去雾算法,该方法主要包含双判别器异构循环框架和多阶通道注意力模块.具体来说,双判别器异构CycleGAN框架通过异构批归一化的生成器和约束生成器局部视野的方式,提升算法的收敛效果和增加局部区域关注.为了进一步挖掘对于图像去雾至关重要的特征通道信息,本文通过引入一阶、二阶特征统计量提出了多阶通道注意力模块,从而提升去雾图像的视觉质量.实验结果表明,在公开合成和真实室外数据集上,本文提出的去雾方法相比现有的8种优秀的去雾算法,取得了最好的客观评价指标和视觉效果.

基于双源判别器的域自适应城市场景语义分割

域自适应分割网络是城市场景跨域语义分割的有效方法,但由于跨域数据集外观分布不同导致域差异,且网络对小目标分割精度不理想。针对该问题,提出基于双源判别器的域自适应分割方法。首先,对源域S使用风格转换方法FastPhotoStyle得到新源域S’,从图像层面降低域差异。然后,利用生成器分别提取源域S、新源域S’和目标域T的分割特征图,将新源域的特征图作为中间桥梁,分别与源域特征图,目标域特征图进行通道维度上的特征融合,将得到的2个融合后的特征图输入双源判别器中,双源判别器和生成器迭代进行对抗训练。由于该模型的判别器输入为双源特征,故称为双源判别器,双源输入的2个特征包含相似的特征信息,进一步从特征层面降低域差异。为了进一步提高分割精度,引入自训练的伪标签,同时针对训练时出现的类不平衡问题,提出在目标域的损失函数中引入类平衡因子,增加网络对小目标的分割能力。在2个分割任务GTA5→Cityscapes和SYNTHIA→Cityscapes上进行的实验证明了该方法的先进性和有效性。

一种基于电容主动钳位式混合式直流断路器

混合式直流断路器兼具机械式直流断路器的静态特性与固态直流断路器的动态特性,具有较快的开断速度和较低的通态损耗,是应用于中高压直流输配电系统的优选技术方案。然而,基于模块级联的混合式直流断路器存在投资成本较高、避雷器吸能较高、不具备故障性质判别能力等问题,限制了断路器的工程化应用。该文在现有结构的基础上进行一定的改进,提出一种基于电容主动钳位式混合式直流断路器。主要利用电容电压钳位换流站侧电压,避免了换流站电压迅速跌落的同时降低了换流站侧的故障电流峰值。此外,电容电压还可作为线路故障和重合闸时的辅助判据。针对所提结构进行了详细的理论推导和分析,在PSCAD/EMTDC中建立四端直流环网对所提结构进行验证,并与原有方案进行对比。仿真结果证明所提结构可行且相对原有方案具备一定优势。

基于FastICA-LDA的光伏并网逆变器故障诊断

为了实现逆变器开路故障诊断,提出了一种新的诊断方法。该方法采用快速独立成分分析算法判定逆变器是否发生单管开路故障,如果发生单管开路故障,计算旋转电流Id频域下的特征值,将这些特征值作为线性判别分析模型的输入值,最后由LDA模型输出逆变器工作状态编号,从而实现单管开路定位。经过MATLAB仿真验证表明,所提方法对光伏并网逆变器故障的诊断效果较好。

基于多任务判别器的图像阴影去除算法

针对现实生活中存在的阴影对于计算机视觉任务产生不利影响,现有图像阴影去除算法有效性与准确性低的问题,提出了一种基于生成对抗网络的阴影去除方法.该方法主要包括两个部分,采用了U-Net网络结构作为生成器部分的网络,用来提取图像中的有效信息,同时在生成器网络中引入自注意力机制,提高网络对阴影区域特征的关注度;采用多任务网络结构的判别器,通过对生成器生成图像的整体区域、局部区域以及与约束条件的匹配程度,进行多方面的鉴别,用来提升判别器鉴别能力,进而督促生成器,生成更加符合真实情况的无阴影图像.该方法在公开数据集ISTD上进行实验,实验结果表明所提方法在图像的结构相似性上以及峰值信噪比方面均有所提升.

基于渐进式训练的多判别器域适应目标检测

基于对抗训练的域适应目标检测的研究旨在不对新数据集进行额外标注的情况下,将检测模型应用于不同的数据集。但现有算法存在目标检测和域对齐任务难以平衡的问题,且一般的单判别器结构容易局限于数据的单个模式,导致域对齐的质量下降。提出一种基于渐进式训练的多判别器域适应目标检测算法,针对传统的单判别器结构对复杂结构数据进行域对齐时的局限性,在实例级的域适应头中引入多判别器结构,使其在学习域不变信息时考虑数据的多模结构,实现质量更高、更全面的域对齐。同时,为降低引入多判别器结构而增加的模型复杂度,设计基于Dropout技术的多判别器结构,对单个判别器参数进行重复利用,并创新性地引入渐进式训练策略,即随着训练的推进逐步增大域对齐任务的比重和难度,动态平衡目标检测和域对齐任务的权重。实验结果表明,所提算法在Cityscapes到Foggy Cityscapes的域适应场景下的平均检测精度为42.9%,相比近几年该领域的新算法提高了至少0.5个百分点。

潜在低秩表示下的双判别器生成对抗网络的图像融合

为了改善红外与可见光图像融合的视觉效果,通过潜在低秩表示将两种不同源的图像分别分解为各自的低秩分量和去除噪声的稀疏分量,采用KL变换确定权重对稀疏分量进行加权融合得到融合稀疏图。再对双判别器的生成对抗网络重设计,借助VGG16网络提取两种源的低秩分量特征作为该网络的输入,通过生成器和判别器的博弈来生成融合低秩图。最后,将融合稀疏图与融合低秩图进行叠加获得最终的融合结果。实验结果表明,在TNO数据集上,与所列的5种先进方法相比,本文所提出的方法在熵、标准差、互信息、差异相关性总和及多尺度结构相似度5种指标上均获得最优结果,相比于次优值,5种指标分别提高了2.43%,4.68%,2.29%,2.24%,1.74%。在RoadScene数据集上只在差异相关性总和及多尺度结构相似度两种指标上取得最优,另外3种指标仅次于GTF(gradient transfer and total variation minimization)方法,但图像视觉效果明显优于GTF方法。综合主观评价和客观评价分析,本文所提方法确实能获得高质量的融合图像,与多种方法相比具有明显的优势。

基于双判别器的汉泰伪平行语料生成方法

神经机器翻译模型在高资源语言对之间取得了很大的进展,但它在低资源语言对下的模型训练效果不佳。针对汉泰语言对数据稀缺的问题,提出了一个基于双判别器的汉泰伪平行句对生成方法。该方法建立在以英语为枢轴语言的生成式对抗网络上,它在原始网络拥有一个英汉判别器的基础上进一步构建了泰汉判别器。在中间句子构建过程中,还提出了基于词性的中间句子构造方法。实验结果表明,所提方法相较于基线方法在泰汉翻译方向上BLEU值提高了2.09,在汉泰翻译方向上BLEU值提高了2.04。

通道加权下的双判别GAN超分辨率网络

针对现有基于生成对抗网络的单图超分辨率重构方法特征利用率不足,生成图像包含少量无意义噪声的问题,提出一种基于通道注意力机制的双判别生成对抗网络。通过对生成网络中密集残差块进行通道加权,优化网络的特征利用率。同时在对抗网络中对生成图像进行像素域和特征域的双重判别,促使生成网络产生更丰富的结构特征和高频信息。实验结果表明,与现有的SRGAN、ESRGAN两种算法相比,该算法能够重构出感官质量更高的图像。

结合混合注意力的双判别生成对抗网络

图像生成任务中,如何提升生成图片的质量是一个关键问题。当前,生成对抗网络采用的多层卷积结构存在局部性归纳偏置的问题,无法准确聚焦关键信息,导致图像特征丢失严重,生成图像效果较差。为此,提出了结合混合注意力的双判别生成对抗网络(DDMA-GAN)。设计了一种混合注意力机制,利用通道注意力和空间注意力模块,从两个维度充分捕获图像特征信息;为解决单判别器存在判别误差的问题,提出一种双判别器结构,使用融合系数将判定结果融合,使回传参数更具客观性,并嵌入数据增强模块,进一步提升模型鲁棒性;采用铰链损失作为模型损失函数,最大化真假样本间的距离,明确决策边界。模型在公开数据集LSUN和CelebA上进行验证,实验结果表明,DDMA-GAN生成的图像更加真实,纹理细节更加丰富,其FID和MMD值均显著降低且优于其他常见模型,证明了模型的有效性。

基于空洞卷积和ECANet的双判别生成对抗网络图像修复模型

针对传统的生成对抗网络模型在修复过程中所产生的训练不稳定、结构不一致和内容纹理不够真实等一系列问题,提出一种基于空洞卷积和ECANet双判别生成对抗网络的图像修复模型,分别从生成网络、判别网络和损失函数三个方面进行改进。生成网络采用从粗糙到精细的两阶段网络模型,并在网络模型中加入高效通道注意力(ECA),结合L1重建损失以提高修复区域的细节精度;判别网络中采用全局判别和局部判别的双重判别式网络模型,以提高判别性能的准确性;最后损失函数选取WGAN-GP对抗损失和L1重建损失使得训练更加稳定。在Celeba数据集上进行实验对比,本文所提模型能够取得更好的效果。

改进VGG-19:增强判别性的新冠病毒感染图像识别网络

为实现对新冠病毒感染CXR图像进行准确的识别,提出了一种带有判别性的“混合特征信息判别器”结构的改进VGG-19网络模型。针对CXR图像存在噪声点,且难以抽取区分性强的特征信息问题,将具有高强度特征提取能力的VGG-19作为主干网络,采取冗余特征信息丢弃和不明显特征信息增强的方式实现特征选取。在经过数据增广技术的数据集上,首先,通过网络提取出CXR图像的空间特征信息;其次,从特征图上挑选出更容易做出决断的像素点;以此实现更少的模型参数量和更高的准确率。改进VGG-19网络使用迁移学习,在ImageNet-100数据集上预训练,再将训练的最佳权重泛化到COVID-19 Radiography Database数据集上重新训练,实验结果表明:改进VGG-19对新冠病毒感染CXR图像的识别的准确率、精确度和召回率分别达到了97.60%、98.89%、98.51%。与其他新冠病毒感染CXR图像识别算法相比,改进VGG-19能够准确地完成新冠病毒感染肺部图像的分类识别,具备更好的识别性能。

一种基于联合概率密度判别器的新煤种在线辨识方法

提出一种利用主成分分析和联合概率密度判别器进行新煤种在线辨识的方法。根据不同煤质的煤的燃烧火焰在初燃区的特征不同,利用光电传感器获得燃烧火焰初燃区的光辐射信号,提取信号在时域和频域内的特征值,经过主成分分析处理得到正交化的、维数压缩的特征值向量。针对几种已知的煤种,利用获得的正交化特征值向量数据,建立每一煤种的联合概率密度分布模型。利用基于该模型的判别器,可以进行新煤种的判别或已知燃煤种类的辨识。

基于双判别器加权生成对抗网络的图像去模糊方法

原始生成对抗网络(generative adversarial network,GAN)在训练过程中容易产生梯度消失及模式崩溃的问题,去模糊效果不佳。由此本文提出双判别器加权生成对抗网络(dual discriminator weighted generative adversarial network,D2WGAN)的图像去模糊方法,在GAN的基础上增加了一个判别器网络,将正向和反向KL(Kullback-Leibler)散度组合成一个目标函数,引入加权的思想调整正向和反向KL散度的比例,利用两个散度的互补特性,在学习清晰图片过程中避免不良模式的形成。实验结果表明,与现有方法相比,本文方法能更真实地恢复图像细节部分,且在评价指标峰值信噪比和图像结构相似度上有更好的表现。