生成对抗网络

摘要： 人脸图像修复是计算机视觉领域中重建人脸图像的一项重要图像处理技术.现有人脸图像修复技术存在修复结果全局语义不合理的问题,这主要是由于现有技术的特征长程迁移能力不足,无法将破损图像中已知区域的信息合理地迁移到被遮蔽区域上.为此,本文在生成式对抗网络(generative adversarial network,GAN)框架下,构建了一种融合风格感知和多尺度注意力的编解码人脸图像修复模型.风格感知模块用于提取图像的全局语义信息,并利用提取的信息对编码逐级地进行渲染,以实现对修复过程的全局性调节;利用多尺度注意力模块对多尺度特征进行补丁块提取,并通过共享注意力得分和提取补丁块的矩阵乘法进行多尺度特征的长程迁移.在公开数据集CelebA-HQ上的实验结果表明:风格感知模块和多尺度注意力模块极大地增强了修复网络的特征长程迁移能力.相较于现有先进的人脸图像修复方案,本文所提出的模型在多种评价指标上均有显著的提升;修复结果的全局语义更加合理,并且在暗光条件下的修复效果更加自然.

摘要： 低剂量CT可以降低X射线辐射、减少对人体的伤害,但成像质量也会显著下降。为得到具有精细结构细节的高质量成像,提出一种基于多尺度残差生成网络的低剂量CT图像超分辨率重建算法,在保持病理不变情况下,从低分辨率图像中恢复高分辨率图像。首先,多尺度网络可以充分利用不同大小图像特征,丰富图像细节信息,提高重建过程中对特征的利用率;其次,引入残差网络,在实现特征重复利用的同时能够很好地防止过拟合现象;最后,将对抗损失和内容损失相结合,约束特征生成的同时能够获得感知质量更好的重建图像。结果表明,该方法在结构相似性、特征相似性、峰值信噪比指标上分别约提高0.047、0.0228和1.962,算法的IS、FID、SWD性能也比其他两种基于生成对抗网络算法要好,并且在边缘轮廓细节面有更好的表现。为了验证内容损失的有效性,将MSRGAN和其3种变化模型进行比较:MSRGAN相对其变化模型在结构相似性指标平均高出4%,特征相似性指标平均高出3.1%,峰值信噪比指标平均高出17.4%,说明了这种损失函数能够提高超分辨率图像的感知质量,充分证明所提算法的有效性。

摘要： V形焊缝在激光视觉焊缝跟踪系统中,由于焊接过程中焊接工件附近的恶劣拍摄环境导致跟踪定位失效,为了减少图像修复网络训练过程中的模型偏移问题,提出了一种基于生成对抗网络(GAN)的图像修复算法。将神经网络与空间变换网络(STN)模块相结合,在图像合成修复过程中提高了原有焊接图像中特征信息的不变性,解决了模型在训练过程中的偏移问题。获得的焊缝修复图像在平均梯度上相较于GAN方法可提升60%以上,提高了视觉焊缝跟踪系统的抗干扰能力,平均跟踪误差可达到0.2 mm以内。

摘要： 与具有大量标注数据的光学图像相比,合成孔径雷达(Synthetic Aperture Radar,SAR)图像缺乏足够的标记样本,限制了监督学习的SAR目标识别算法的性能。而无监督识别方法又难以满足实际需求,因此本文提出了基于自注意力特征融合的半监督生成对抗网路。首先,在构建生成器和判别器时引入自注意力层,克服卷积算子不具有长距离特征提取的问题;其次,判别器采用多层级特征融合,捕获SAR图像的关键信息;最后,在训练过程中采用谱归一化,提升模型的收敛稳定性。为了验证所提方法的有效性,在运动与静止目标获取和识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)数据集上进行了实验。实验结果表明,所提方法能从未标记样本中学习有价值的信息,有效地解决标注不足的问题。

摘要： 因信号的重构效果受到稀疏矩阵选取或设计的影响,传统压缩感知技术在处理冲击波信号时要求信号在某个变换域上满足稀疏先验性。为了避免稀疏矩阵不易选取的问题,提出了一种基于深度卷积生成网络与压缩感知技术相结合的算法。该算法将固定的随机信号作为网络输入值,网络的输出结果为重构信号,利用文中设计的损失函数对网络中的参数进行优化,实现信号端到端的恢复,并通过仿真验证了重构结果误差的减少。在15 psi和5 psi传感器实测冲击波信号的实验结果中表明,本文算法相比于传统压缩感知技术具有更好的重构结果,重构误差在稳定时约为DFT-OMP算法和DCT-OMP算法在M为2400时误差值的0.5倍。

摘要： 无线接入用户的需求呈爆炸式增长,5G网络流量呈指数级增长且呈现出多样性、异构性的趋势,使得网络流量预测面临诸多挑战。针对5G网络部署宏基站、微基站与微微基站的多层架构,文中提出基于生成对抗网络(GAN)的流量预测方法。首先,生成网络分别捕捉流量时空特征与基站类型特征,将拼接特征输入复合残差模块以生成预测流量,并将生成流量输入判别网络;然后,判别网络判断生成流量是真实流量还是预测流量;最后,经过生成网络与判别网络的博弈对抗使生成网络生成高精度的预测流量。实验结果表明,GAN的二维均方根预测误差分别比2DCNN,3DCNN和ConvLSTM降低了58.64%,38.74%和34.88%,具有最优的流量预测性能。

摘要： 为了解决生成对抗融合方法获得的融合图像不能同时保留红外图像典型目标和可见光图像纹理细节的问题,提出一种红外与可见光图像交互注意力生成对抗融合方法。首先,在生成网络模型中采用权重参数共享的双路编码器架构,利用多尺度聚合卷积模块提取源图像各自的深度特征;其次,在融合层设计上,利用交互注意力融合模型建立两类图像局部特征的全局依赖特性,获得的注意力图更聚焦于红外典型目标和可见光纹理细节,实现红外与可见光图像端到端融合。最后,在对抗网络模型中,采用双鉴别器均衡判定融合图像与源图像间的真假性,相互补偿的损失函数优化生成网络模型获得最佳的融合结果。与现有典型融合方法的对比实验结果表明,该方法能够获得更平衡的融合结果,在主观视觉描述和客观指标评价上都优于其他方法。

摘要： 图像超分辨是使低分辨率图像通过端到端训练产生边缘更清晰的高分辨率图像的一种技术,是数字图像处理的一个重要研究方向。该文提出了一种基于生成对抗网络的图像超分辨算法,并对网络结构进行改进。设计的生成器删除了残差块的BN层,增加了特征识别的相关算法,特征提取部分采用两层卷积网络,可以提取更多的图像特征,在低分辨率图像上提取特征,通过卷积计算得到高分辨率图像,可以提升运算结果的准确性。判别器设计采用先分组再整合的思想,将生成图像划分成一定数量的图像块,计算每一部分的判别结果,然后将所有图像块的判别真假组合起来,作为最终的判别结果。经实验验证,设计的网络模型在图像重建效果上有了一定的提高,并节省了一定的运算时间。

摘要： 传统中断航迹接续关联(track segment consecutive association,TSCA)方法基于假设的目标运动模型,利用大量先验信息完成关联任务,存在参数过多、计算复杂、推理时间长等缺点。为了解决以上问题,提出一种基于注意力机制的生成式TSCA方法。首先设计航迹态势图生成模块,将原始航迹数据转换为航迹态势图,作为生成对抗网络的输入。针对航迹噪声影响大和航迹运动特征、中断特征难以提取的问题,基于生成对抗网络和注意力机制,设计航迹关联网络,滤除航迹噪声并完成TSCA。仿真结果证明了所提网络的有效性,在关联精度和关联速度两方面都超过现有算法。

摘要： 水下遮挡目标的检测与识别对海洋资源的勘探有着重大意义。针对现有方法中存在检测准确率低以及漏检的问题,将优化的特征复原通道(GAN)与改进的Faster R-CNN进行融合,提出了一种水下遮挡目标检测模型。实验表明,方法相较于Faster R-CNN、SSD、YOLO等现有模型均有不同程度提高,同时降低了漏检个数。

摘要： 后数字主义时代,人工智能的出现变革了技术社会的设计媒介.当前针对量化数据模拟的生成式设计已经成为建筑及城市初期决策的重要方法.然而目前大量模拟软件受制于算法黑箱,使得设计者往往只能根据运算进行“选择”而非“参与设计”;且结果往往以“体量”的形成呈现,难以满足建筑风格、美学层面的感性需求.因此在设计初期寻找合适的数字化建模工具十分重要.基于这一背景,本研究提出一种将生成对抗网络(Generative Adversarial Net)应用于建筑设计初期,进行基于视觉图像的辅助设计.本文首先介绍了人工智能在建筑学中的发展初探,重点阐述其发展脉络与局限性;并分析当下多种生成对抗网络在图像生成方面的优劣;而后提出一种在设计初期采用Pix2pix对性能模拟结果再处理,获得带有美学风格预测结果的设计方法,为后续在人工智能辅助下实现机器智能理性与设计自由意志结合的进一步研究提供思路.

摘要： 建筑功能布局作为建筑设计的基本内容,随着人工智能的发展,智能化建筑功能自动布局越发值得期待.本文提出基于生成对抗网络(GAN)的建筑功能自动布局方法,可以针对不同建筑平面轮廓自动布局房间的建筑功能,形成完整的户型图.首先,收集大量含有房间功能的户型图,利用编辑工具进行批量处理,得到符合条件的数据集;然后,将数据集分为含房间格局与不含房间格局两种情形,利用pix2pix程序进行训练,并得到自动生成的建筑布局图;最后,基于峰值信噪比(PSNR)和结构相似性(SSIM)两个指标对两组算例的生成结果进行评价.结果表明:SSIM均大于0.8,PSNR在20左右,本方法能生成与目标图片较为一致的建筑布局图.相较于传统的参数化设计,本方法无需人为添加规则,能够自动学习建筑功能布局的规则,生成较为合理的功能布局方案,可供专业人士参考.

摘要： SAR图像仿真过程能够实现SAR目标仿真图像的自动生成,在SAR图像数量较为有限的条件下,对SAR目标解译与识别具有非常重要的作用.受限于数据获取方式,SAR目标图像数量通常都极为有限,传统的基于电磁计算的SAR目标图像仿真方法,由于缺乏联合优化往往容易出现参数失真,从而对仿真图像产生较大影响.本文提出使用基于生成对抗网络端到端的方法进行SAR图像仿真,仿真过程选用基于卷积网络的DCGAN、基于梯度惩罚的WGAN以基于梯度惩罚的WGAN三种方法,采用由浅至深的DCGAN基础结构、四残差块卷积网络和Resnet三种网络结构.针对MSTAR数据集中的典型SAR目标图像,通过网络优化与对比,分析了各方法与结构在SAR图像仿真过程中的生成效果与收敛特性,从而实现了SAR典型目标图像的智能仿真,并使其具备优秀的视觉仿真效果.

摘要： 近年来,生成对抗网络(GAN)在图像生成方面取得了较好的效果,开辟了深度学习最为炙手可热的研究方向之一.针对某些情况下遥感图像少且信息难以提取的问题,提出了一种基于生成对抗网络的方法来生成更多的遥感图像数据.该方法首先对现有的遥感数据集进行了初步处理;其次,构建了生成对抗网络模型的生成器和判别器;再次,利用生成器和判别器的相互博弈,提升生成器的生成能力和判别器的判别能力,直至生成器所生成的数据与原始数据难以分辨;最后,使用搬土距离(Earth-Mover Distance)代替JS散度(Jensen-Shannon divergence)作为损失函数的距离度量指标.实验结果表明,该网络在遥感图像生成的清晰度和模型的稳定性方面有更好的效果,并且基于定量的评估方法(FID)对实验结果进行了验证,相较于不同的损失函数,FID分数值分别降低了28.17和17.88.

摘要： 用户画像是企业为了实现精准营销,通过对用户信息进行高度提炼,从而抽象出一个标签化的用户模型.而现阶段的用户画像方法大多采用有监督学习的方式,即通过对带标签的数据进行训练得出模型.利用带标签的数据进行训练得出的模型往往效果不错,但也存在着对训练样本进行打标签受到人的主观因素的影响,同时标注大量的数据样本又十分费时费力的问题.对此,我们希望通过无监督学习的方式训练模型,同时能够有效利用大量的有价值的未标注数据.传统的无监督学习的方式如朴素贝叶斯、聚类等是对文本处理的特征工程算法,其结果是对特征词进行提取从而得出词语的所属类别,但自然语言作为抽象的概念很难有效地进行明确划分.我们运用目前在无监督学习领域最火的生成对抗网络(Gans),先由生成网络对样本初始化一个联合概率分布,再由判别网络根据初始化分布对未标注数据进行判别,其结果用来更新生成网络.在二者的交替迭代中达成生成网络学习到样本的分布情况的效果,最终形成对每个词语的概率描述,同时该概率描述随着样本的增加不断变化,直到达到某一置信值为止.而现阶段的生成对抗网络仅体现了其在图像识别中发挥的巨大作用,而我们也希望通过这篇文章证明其在自然语言处理方面的作用.实验结果证明了其在用户画像中的性别画像中能够发挥较好的效果,性别画像可看作二分类问题,在多分类问题,如地域判断,实验的效果不如人工建立地方词库的效果.

摘要： 为解决色织物缺陷检测时传统人工的误检率、漏检率较高问题,提出一种基于生成对抗网络(GAN)和Faster R-CNN相结合的缺陷识别算法.因织物图像采集过程中存在缺陷样本分布不均,并且现有色织物缺陷样本多样性贫乏,先对缺陷织物进行生成对抗网络训练,生成与缺陷样本相似的织物图像来扩充样本;再根据候选框生成算法提取缺陷位置,深度卷积神经网络学习其区域和边缘特征,最后,利用Softmax分类器对织物缺陷进行分类,非极大值抑制算法调整优化缺陷位置.实验结果表明:基于GAN和Faster R-CNN的缺陷识别算法对色织物图像库中的缺陷图像可实现提高检测效率、荻取准确缺陷位置和类别的目的.

摘要： 为了克服传统CFD计算需要耗费大量的计算成本的缺陷,搭建了一种基于深度学习的非定常周期性流场的预测框架,可以实时生成给定状态的高可信度的流场结果.将条件生成对抗网络与卷积神经网络相结合,改进条件生成对抗网络对生成样本的约束方法,建立了基于深度学习策略采用改进的回归生成对抗网络模型,并与常规的条件生成对抗网络模型的预测结果进行对比.研究表明,基于改进的回归生成对抗网络的深度学习策略能准确预测出指定时刻的流场变量,且总时长比CFD数值模拟减少至少1个量级.

摘要： 针对织物瑕疵检测中,图像失真模糊问题,运用一种基于生成对抗网络(Generative Adversarial Networks,GAN)超分辨率图像重建技术(SRGAN),通过大量的训练学习,使其在织物的瑕疵检测中,把得到的低像素图像重建为高像素图像.生成式对抗网络是一种近年来大热的深度学习模型,其由一个判别网络(Discriminator,D)和一个生成网络(Generator,G)组成,生成网络生成高分辨率图像,辨别网络则负责辨别图像真伪.相对于传统的超分辨率方法,SRGAN能够重建出纹理更丰富,高频细节保留更多的图像,这在织物的瑕疵检验具有重要意义.

摘要： 迁移学习具有小数据、可靠性以及个性化的优点。通过构建深度学习的迁移模型进行定量分析，应用传递式迁移学习以及生成对抗网络，提出了迁移学习+深度学习=深度学习的迁移模型

摘要： 在大规模兵棋仿真推演中,空中任务是指挥员关注的重点.对空中任务的快速、准确和自动识别,是智能决策的前提和基础.深度学习技术的迅速发展,为复杂战场态势特征提取提供了现实可行的解决方法,为研究空中任务识别提供了技术支持.概述了传统任务识别研究方法和基于深度学习的任务识别方法研究进展,分别对卷积神经网络(Convolutional Neural Networks,CNN),长短时记忆网络(Long Short Term Memory,LSTM)、生成对抗网络(Generate Adversarial Network,GAN)3种深度学习方法在空中任务识别问题中的应用进行了论述,提出了解决思路.

摘要： 本说明书实施例提供一种利用对抗生成网络生成对抗样本的方法，其中对抗生成网络包括：预先训练好的、用于针对业务对象执行N分类任务的分类器，用于生成对应于各类别真实样本的模拟样本的生成器，以及对应于N个类别的N个判别器，其中第i个判别器用于判别输入其中的样本是否属于第i个类别下的真实样本。在该方法中，可以实现对生成器和判别器的训练，进而利用其中训练好的生成器生成具有指定真实类别，但会被上述分类器预测为其他类别的对抗样本，同时，可以实现高效、快捷地生成大批量的优质对抗样本。

摘要： 本发明提出一种基于生成对抗网络的对抗攻击样本的生成办法，包括：S1.采集训练样本图像；S2.预处理和分类定义；S3.构建训练框架，训练框架包括生成器、判别器及目标攻击网络；S4.基于预处理和分类定义后的训练样本图像，生成随机噪声及生成随机条件向量；S5.将随机噪声及随机条件向量作为训练框架中生成器的输入，对训练框架的生成器和判别器进行训练，保存训练后的训练框架参数；S6.训练完成，生成对抗攻击样本。本发明提出的方法具有较强的数据学习能力，鲁棒性较高，克服了现有方法基于最优化方程和简单像素空间的矩阵度量，对数据分布缺乏学习能力的弊端，提高了对抗攻击样本的生成质量和效率。

摘要： 本发明公开了一种基于生成对抗网络的黑盒恶意软件检测对抗样本生成方法及装置，方法包括下述步骤：根据PE文件结构特性设计基于集成策略的恶意软件对抗性扰动方法，该扰动方法添加扰动的方式为:修改DOS头、节区末尾填充、文件末尾填充；构建基于生成对抗网络的黑盒恶意软件对抗样本生成模型；在模型攻击过程中，输入恶意软件到黑盒恶意软件对抗样本生成模型，利用训练过的生成器模型G在很短的时间内生成对抗性样本。本发明添加对抗性扰动到恶意软件的非功能区域，从而实现了保留恶意功能和样本的真实性，这样不仅可以省去检验恶意软件样本在沙箱中的动态分析方法以确保二进制文件的功能不受损害的高成本过程，还可以高效的生成恶意软件对抗样本。

摘要： 本发明提供了一种基于生成对抗网络模型的水下图像修复方法和生成对抗网络模型的训练方法，属于水下图像处理技术领域。生成对抗网络模型包括生成器网络和判别器网络，生成器网络包括依次设置的编码器网络块、特征转换网络块以及解码器网络块，生成器网络和判别器网络均包括多个BN层和PReLU层；在训练时，生成器网络中的编码器网络块和解码器网络块之间还设置有剩余路径网络块。本发明通过在编码器网络块和解码器网络块之间并添加了剩余路径网络块，增强生成器的细节特征提取能力，缓解了编码器低级特征与解码器高级特征之间的语义差异，避免了编码器下采样过程中的细节丢失，使得增强后的图像细节纹理更清晰。

摘要： 本申请公开了一种生成对抗网络训练方法、生成对抗网络、人脸图像翻译方法和装置，涉及计算机视觉、增强现实和深度学习技术领域。其中，生成对抗网络包括N个处理层，所述N个处理层包括M个卷积层，生成对抗网络训练方法包括：对训练样本添加噪声，得到第一特征数据；将所述第一特征数据输入至所述生成对抗网络中进行训练；其中，在所述训练的过程中，对每一卷积层输出的特征数据添加噪声后，再输入至下一处理层。本申请中，通过对训练样本以及每个卷积层输出的特征数据添加噪声，来模拟现实场景中各种各样的输入，能够使生成对抗网络对现实场景中大量丰富的输入具有更强的适应能力，从而能够提高生成对抗网络的稳定性、鲁棒性和容错性。

摘要： 本发明公开了一种生成对抗网络模型、及利用该生成对抗网络模型的车辆轨迹预测方法，其中，生成对抗网络模型由两个模块构成，模块一：生成对抗网络的生成器；模块二：生成对抗网络的判别器。利用生成器生成模拟轨迹，利用判别器判别轨迹真伪，模块一与模块二相互博弈对抗，最后获取一个能生成与真实轨迹高度相似模拟轨迹的生成器。之后对生成对抗网络模型进行训练，并给出了数据获取方法，优化器，学习率，训练轮次，迭代轮次，损失函数。最后给出了验证车辆轨迹预测系统生成轨迹准确性的方法。本发明提出的使用生成对抗网络进行轨迹预测的预测方法，对过去网络结构做出了创新，并有效提高了预测的准确性。

摘要： 本发明公开了一种基于生成对抗网络的非成对异质人脸图像生成方法、装置，所述方案包括：通过多次迭代对异质人脸图像生成模型进行训练，其中每次迭代包括：将域a和域b中采样的非成对的异质人脸图像分别输入域a的生成器和域b的生成器，使用域a的解码器和域b的解码器分别得到跨域生成图像，使用域a的判别器和域b的判别器分别评价跨域生成图像的真假，基于异质人脸图像生成模型的损失更新模型参数；采用训练完成的异质人脸图像生成模型进行人脸图像生成。采用上述技术方案，可以在无监督、非成对的条件下进行异质人脸图像生成，增强生成图像的质量、多样性以及大幅度地增强身份信息保持能力。

摘要： 本发明公开了一种基于生成对抗网络的黑盒恶意软件检测对抗样本生成方法及装置，方法包括下述步骤：根据PE文件结构特性设计基于集成策略的恶意软件对抗性扰动方法，该扰动方法添加扰动的方式为:修改DOS头、节区末尾填充、文件末尾填充；构建基于生成对抗网络的黑盒恶意软件对抗样本生成模型；在模型攻击过程中，输入恶意软件到黑盒恶意软件对抗样本生成模型，利用训练过的生成器模型G在很短的时间内生成对抗性样本。本发明添加对抗性扰动到恶意软件的非功能区域，从而实现了保留恶意功能和样本的真实性，这样不仅可以省去检验恶意软件样本在沙箱中的动态分析方法以确保二进制文件的功能不受损害的高成本过程，还可以高效的生成恶意软件对抗样本。

摘要： 本发明提出了一种基于双层生成对抗网络的对抗样本生成方法，涉及人工智能安全领域。该方法采用第一层条件生成对抗网络、特征提取器、第二层生成对抗网络和目标网络；条件生成对抗网络用于生成新的样本，其鉴别器不但要分辨生成样本的真实性，还对其类别进行判定；特征提取器用于提取原始样本隐藏层特征，生成具有对抗先验的扰动；第二层生成对抗网络用于生成对抗扰动，鉴别器分析对抗样本的真实性及其与条件生成对抗网络生成样本的相似性；目标网络用于验证对抗样本的攻击成功率。本发明利用两层神经网络分别生成特定类别的样本和对抗扰动，能够实现利用特定类别对抗样本进行攻击和对抗训练的目的，有效提升攻击的成功率和对抗训练的效率。

摘要： 本发明提出一种基于生成对抗网络的对抗攻击样本的生成办法，包括：S1.采集训练样本图像；S2.预处理和分类定义；S3.构建训练框架，训练框架包括生成器、判别器及目标攻击网络；S4.基于预处理和分类定义后的训练样本图像，生成随机噪声及生成随机条件向量；S5.将随机噪声及随机条件向量作为训练框架中生成器的输入，对训练框架的生成器和判别器进行训练，保存训练后的训练框架参数；S6.训练完成，生成对抗攻击样本。本发明提出的方法具有较强的数据学习能力，鲁棒性较高，克服了现有方法基于最优化方程和简单像素空间的矩阵度量，对数据分布缺乏学习能力的弊端，提高了对抗攻击样本的生成质量和效率。