基于改进pix2pixHD模型的COVID-19 CT图像生成方法研究

当前COVID-19病毒流行,肺部CT图像已成为医生对COVID-19患者进行准确诊断和跟踪治疗的重要辅助工具之一,但公开的患者数据集较少及数据获取较为困难的问题,导致不易获得好的深度学习模型对肺部CT图像精准筛查和诊断。针对于此,本文提出了一种基于pix2pixHD的深度网络图像生成模型,用以提高COVID-19 CT图像的生成质量。采用pix2pixHD框架,通过对模型上采样的过程中加入SPADE残差块,并对模型的多尺度鉴别器增加1/8尺度鉴别器,使模型可以生成病灶边界更为清晰的COVID-19患者肺部CT图像。在公开数据集上与现有模型进行的实验比较结果表明,本文提出的模型在COVID-19 CT图像上峰值信噪比与结构相似性分别为12.46和0.327,Fr′echet Inception距离(FID)为57.4,较现有模型具有生成质量更高、生成细节更好、收敛速度更快的优势。

基于Pix2pix模型的继电器动作状态识别方法研究

为解决采用深度学习算法识别信号继电器组合动作状态时难以获取大量高质量标注数据的问题,利用Pix2pix模型小样本学习能力强的优点,研究基于Pix2pix算法模型的继电器动作状态识别方法。首先,使用labelimg图像标注软件对继电器组合图像进行标注,根据标注信息对继电器组合图像进行处理,得到与继电器组合图像对应的标注图像数据集;其次,划分数据集并对训练集进行数据增强处理,并训练Pix2pix网络得到生成器,使用Pix2pix模型的生成器对继电器组合进行图像转译得到生成图像;然后,使用图像后处理技术对生成图进行分析,得到继电器位置和状态属性信息;最后,通过测试集对该算法进行试验验证,得到继电器动作状态识别的准确率达到94%。试验结果表明,使用Pix2pix模型对信号继电器组合进行图像转译具有可行性和有效性。

基于SKNet的增强型Pix2pixHD图像去雾方法

针对采用去雾算法处理后图片仍存在色彩失真、残雾遗留等问题,提出一种基于SKNet的增强型Pix2pixHD去雾方法,即在增强型Pix2pixHD网络的增强模块中引入SKNet网络,实现了不同尺度特征的选择和融合,提高了算法对图像特征的利用率。此外,在SKNet网络前添加可变形卷积,使得卷积核产生自由形变,以适应不规则的目标物体,增强了模型的可变换能力,达到了很好的去雾效果。较现有的去雾方法,文章提出的网络更好地利用了图像各个尺度的特征细节,提高了图像去雾的效果。

基于pix2pixHD的行人图像生成

本文提出了一个基于行人姿态mask利用条件生成对抗网络来生成逼真的行人图像的方法,使用了一种最新的adversarial loss和最新的多尺度生成器-判别器结构来增加提高行人图像细节。实验表明,通过使用成对的行人姿态mask和行人图像训练后的pix2pixHD网络可以生成了一幅视觉吸引人的具有目标姿态不同属性性质的行人图像。

基于射束通道和生成对抗网络的调强放射治疗剂量预测方法

目的基于射束通道实现调强放射治疗(放疗)剂量的精准预测。方法选取行调强放疗的鼻咽癌Ⅲ期患者137例。随机抽取102例为训练集,24例为验证集,11例为测试集。基于Pix2pix模型,引入剂量预计算结果作为射束通道,预测患者个体化放疗剂量分布。采用剂量体积直方图(DVH)、处方剂量参数和计划综合评分对预测结果进行评估。结果11个测试病例的预测剂量和人工计划剂量综合评分分别为70/60、40/50、10/30、70/60、70/60、80/80、80/70、70/60、60/70、80/60和60/60。随机选取4个测试病例,DVH显示,模型对脑干和脊髓的预测剂量曲线整体位于人工计划剂量曲线的左侧,而对眼球和腮腺的预测剂量曲线整体位于人工计划剂量曲线的右侧。结论基于射束通道和Pix2pix模型,可对鼻咽癌放疗患者进行有效剂量预测,从而为放射物理师的计划设计目标提供参考。

一种用于深度学习断层识别的高分辨率地震图像合成方法

断层识别是研究断层构造基础,也是地震资料解释和油藏地质分析的关键环节,针对断层智能化识别研究中的训练数据不足、数据质量差、标注困难等问题,论文提出了一种基于Pix2pix框架的高分辨率断层地震图像合成方法。首先以断层位置信息建立地震记录的标签映射,作为输入生成对抗模型的约束信息;其次通过全局生成器与局部生成器实现由粗糙到精细的图像生成,同时通过一个影响因子去控制多级判别器对不同抽象级别特征的重视程度。最后通过与其他方法的对比实验,论文方法具有更好的视觉感知效果,以及更优的FID,PSNR与SSIM定量化评价指标,可作为监督学习的训练数据来源。

具有区域间注意力机制的街景生成模型设计

针对难以获得长距离依赖的问题,本文受自然语言处理的启发,将图像分部分生成,并在每一部分的前后添加自注意力机制以获取空间上的依赖性,又增加不同区域内同一类别间的响应和一致性,最终设计实现了具有区域间注意力机制的街景生成模型。如此在获得长距离依赖的同时,部分生成也保留了区域间的独立性,防止图像生成因过于耦合而出现的图像不清晰现象。

基于神经网络改进人脸识别算法

传统人脸识别技术需要处理大量的人脸图片,训练时间过长。针对上述问题,设计了一种卷积神经网络算法并采用pix2pix模型实现超分辨率重建。最后在ORL数据库上进行了测试,与传统方法比较,该方法具有更好的识别效果,所需的训练时间减少,在识别准确率和训练时间方面优于大多数传统识别算法。