CN109345455A - 图像鉴别方法、鉴别器和计算机可读存储介质 - Google Patents
图像鉴别方法、鉴别器和计算机可读存储介质 Download PDFInfo
- Publication number
- CN109345455A CN109345455A CN201811155326.6A CN201811155326A CN109345455A CN 109345455 A CN109345455 A CN 109345455A CN 201811155326 A CN201811155326 A CN 201811155326A CN 109345455 A CN109345455 A CN 109345455A
- Authority
- CN
- China
- Prior art keywords
- image
- sampling
- identified
- characteristic
- resolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 139
- 230000004069 differentiation Effects 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 28
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000003786 synthesis reaction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012850 discrimination method Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 239000011248 coating agent Substances 0.000 description 7
- 238000000576 coating method Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000003475 lamination Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001521291 Morus bassanus Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像鉴别方法,用于生成式对抗网络的训练过程中,生成式对抗网络包括生成网络,生成网络用于对输入的低分辨率图像进行不同倍率的分辨率提升处理,以得到分辨率不同的多个高分辨率图像;图像鉴别方法包括:获取一组待鉴别图像,每组待鉴别图像包括:生成网络生成的多个分辨率不同的高分辨率图像;或者,分辨率与该多个高分辨率图像的分辨率一一对应相同的多个预设标准图像;根据获取到的一组待鉴别图像确定分辨率最高的待鉴别图像与预设标准图像之间的匹配度。本发明还提供一种鉴别器和一种计算机可读存储介质。本发明能够使鉴别器更准确地区分原始的高分辨率样本图像和生成器的输出结果,从而促使生成器能够训练得到更优的参数。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种图像鉴别方法、鉴别器和计算机可读存储介质。
背景技术
在生成式对抗神经网络(Generative Adversarial Networks,GAN网络)中,生成网络和鉴别网络进行交替训练。生成网络对低分辨率样本图像进行分辨率提升并输出分辨率提升后的结果,鉴别网络可以接收生成器的输出图像,并输出0或1的标记。如果输出为0,则鉴别网络认为其接收到的图像为生成网络的输出结果;若鉴别网络输出为1,则鉴别网络认为其接收到的图像为原始的高分辨率样本图像。通过训练生成网络来使鉴别器的输出最大化,以使生成网络输出结果更加真实;并且对鉴别网络进行训练,以准确区分原始的高分辨率样本图像和生成网络的输出结果。通过二者的交替训练,从而相互竞争,获得最佳模型。
如何使鉴别网络更准确地区分原始的高分辨率样本图像和生成器的输出结果,从而促使生成网络能够训练得到更优的参数成为亟待解决的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提出了一种图像鉴别方法、鉴别器和计算机可读存储介质。
为了实现上述目的,本发明提供一种图像鉴别方法,用于生成式对抗网络的训练过程中,所述生成式对抗网络包括生成网络,所述生成网络用于对输入的低分辨率图像进行不同倍率的分辨率提升处理,以得到分辨率不同的多个高分辨率图像;所述图像鉴别方法包括:
获取一组待鉴别图像,每组所述待鉴别图像包括:所述生成网络生成的多个分辨率不同的高分辨率图像;或者,分辨率与该多个高分辨率图像的分辨率一一对应相同的多个预设标准图像;
根据获取到的一组待鉴别图像确定分辨率最高的待鉴别图像与相同分辨率的预设标准图像之间的匹配度。
可选地,根据获取到的一组待鉴别图像确定分辨率最高的待鉴别图像与相同分辨率的预设标准图像之间的匹配度,包括:
生成每个待鉴别图像的特征图像;
依次进行多个下采样过程,多个下采样过程与多个特征图像一一对应,每个下采样过程包括:将相应的特征图像与相同分辨率的参考图像联接,得到合并图像;并对所述合并图像进行下采样,得到下采样特征图像;其中,第一次下采样过程中的参考图像为第一次下采样过程所对应的特征图像,第一次之后的下采样过程中的参考图像为上一次下采样过程得到的下采样特征图像;
根据最后一次下采样过程得到的下采样特征图像确定所述匹配度。
可选地,所述特征图像和所述下采样特征图像均为多通道图像,且所述下采样特征图像的通道数量与所述特征图像的通道数相同;
根据最后一次下采样过程得到的下采样特征图像确定所述匹配度,包括:
根据最后一次下采样过程得到的下采样特征图像生成通道数量小于所述下采样特征图像通道数量的判别图像,该判别图像为彩色图像或灰度图像;
根据所述判别图像确定所述匹配度。
可选地,生成每个待鉴别图像的特征图像,包括:
利用第一卷积层生成所述待鉴别图像的初始特征图像;
利用第一滤波单元对所述初始特征图像进行滤波,以得到所述待鉴别图像的特征图像,所述待鉴别图像的特征图像的通道数与所述初始特征图像的通道数相同。
可选地,对所述合并图像进行下采样,包括:
利用第二卷积层对所述合并图像进行下采样,以得到初始下采样图像;
利用第二滤波单元对所述初始下采样图像进行滤波,以得到所述下采样特征图像,所述下采样特征图像的通道数量与所述初始下采样特征图像的通道数量相同。
可选地,所述第二卷积层包括最大池化层、平均池化层、条纹卷积层和双三次插值器中的任意一种。
可选地,根据最后一次下采样过程得到的下采样特征图像生成通道数量小于所述下采样特征图像通道数量的判别图像,包括:
利用第三滤波单元对最后一次下采样过程得到的下采样特征图像进行滤波,以得到初始判别图像,所述初始判别图像的通道数量与所述下采样特征图像的通道数量相同;
利用第三卷积层根据所述初始判别图像生成所述判别图像。
相应地,本发明还提供一种鉴别器,用于生成式对抗网络中,所述生成式对抗网络包括生成器,所述生成器用于对输入的低分辨率图像进行不同倍率的分辨率提升处理,以得到分辨率不同的多个高分辨率图像;
所述鉴别器具有多个输入端,该多个输入端用于分别获取同一组中的多个不同的待鉴别图像,每组所述待鉴别图像包括:所述生成器生成的多个分辨率不同的高分辨率图像;或者,分辨率与该多个高分辨率图像的分辨率一一对应相同的多个预设标准图像;
所述鉴别器用于根据多个输入端获取到的一组待鉴别图像确定分辨率最高的待鉴别图像与相同分辨率的预设标准图像之间的匹配度。
可选地,所述鉴别器包括多个分析模块、判别模块和级联的多个池化模块,
多个所述分析模块与多个所述输入端一一对应,所述分析模块用于生成相应输入端获取到的待鉴别图像的特征图像;
多个所述池化模块与多个所述分析模块一一对应,所述池化模块用于将相应的分析模块生成的特征图像与相同分辨率的参考图像联接,得到合并图像,并对所述合并图像进行下采样,得到下采样特征图像;其中,第一级池化模块所对应的参考图像为相应的特征图像,第一级之后的池化模块所对应的参考图像为上一级池化模块输出的下采样特征图像;
所述判别模块用于根据最后一级池化模块输出的下采样特征图像确定所述匹配度。
可选地,所述分析模块生成的特征图像以及所述池化模块所生成的下采样特征图像均为多通道图像,且下采样特征图像的通道数量与所述分析模块生成的特征图像的通道数相同;
所述判别模块包括合成子模块和判别子模块,
所述合成子模块用于根据最后一次下采样过程得到的下采样特征图像生成通道数量小于所述下采样特征图像通道数量的判别图像,该判别图像为彩色图像或灰度图像;
所述判别子模块用于根据所述判别图像确定所述匹配度。
可选地,所述分析模块包括第一卷积层和第一滤波单元,
所述第一卷积层用于生成所述待鉴别图像的初始特征图像;
所述第一滤波单元用于对所述初始特征图像进行滤波,以得到所述待鉴别图像的特征图像,所述待鉴别图像的特征图像的通道数与所述初始特征图像的通道数相同。
可选地,所述池化模块包括第二卷积层和第二滤波单元,
所述第二卷积层用于对所述合并图像进行下采样,以得到初始下采样图像;
所述第二滤波单元用于对所述初始下采样图像进行滤波,以得到所述下采样特征图像,所述下采样特征图像的通道数量与所述初始下采样特征图像的通道数量相同。
可选地,所述第二卷积层包括最大池化层、平均池化层、条纹卷积层、双三次插值器中的任意一种。
可选地,所述合成子模块包括第三滤波单元和第三卷积层,
所述第三滤波单元用于对最后一级池化模块输出的下采样特征图像进行滤波,以得到初始判别图像,所述初始判别图像的通道数量与所述下采样特征图像的通道数量相同;
所述第三卷积层用于根据所述初始判别图像生成所述判别图像。
相应地,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述图像鉴别方法。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为一种卷积神经网络的示意图;
图2为本发明实施例中的一种鉴别器的结构示意图;
图3为本发明实施例中的一种鉴别器的具体结构示意图;
图4为本发明实施例中的分析模块的结构示意图;
图5为本发明实施例中的池化模块的结构示意图;
图6为本发明实施例中的合成子模块的结构示意图;
图7为本发明实施例中的图像鉴别方法的流程图;
图8为本发明实施例中的图像鉴别方法的一个具体流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
深度学习系统的主要组成部分是卷积网络,图1为一种卷积神经网络的示意图。该卷积神经网络可以用于图像处理,其使用图像作为输入和输出,并通过滤波器(即,卷积)替代标量权重。图1中仅示出了具有3层结构的卷积神经网络,本发明的实施例对此不作限制。如图1所示,卷积神经网络包括输入层101、隐藏层102和输出层103。在输入层101输入4个输入图像,在中间的隐藏层102存在3个单元以输出3个输出图像,而在输出层103存在2个单元以输出2个输出图像。
如图1所示,卷积层具有权重wij k和偏置bi k,权重wij k表示卷积核,偏置是叠加到卷积层的输出的标量,其中,k是表示输入层101号的标签,i和j分别是输入层101的单元和隐藏层102的单元的标签。例如,第一卷积层201包括第一组卷积核(图1中的wij 1)和第一组偏置(图1中的bi 1)。第二卷积层202包括第二组卷积核(图1中的wij 2)和第二组偏置(图1中的bi 2)。通常,每个卷积层包括数十个或数百个卷积核,若卷积神经网络为深度卷积神经网络,则可以包括至少五层卷积层。
如图1所示,该卷积神经网络还包括第一激活层203和第二激活层204。第一激活层203位于第一卷积层201之后,第二激活层204位于第二卷积层202之后。激活层包括激活函数,激活函数用于给卷积神经网络引入非线性因素,以使卷积神经网络可以更好地解决较为复杂的问题。激活函数可以包括线性修正单元(ReLU)函数、S型函数(Sigmoid函数)或双曲正切函数(tanh函数)等。激活层可以单独作为卷积神经网络的一层,或者激活层也可以被包含在卷积层中。
图1的卷积神经网络可以用于图像超分辨率重构中,经过训练的卷积神经网络将输入的低分辨率图像进行分辨率提升,得到目标分辨率的高分辨率图像。传统的仅对超分辨率重构网络进行单一训练的方式往往无法产生足够真实的图像。生成式对抗神经网络(Generative Adversarial Networks,GAN网络)是产生真实图像的最先进的技术,在GAN网络中,生成网络和鉴别网络进行交替训练,从而相互竞争,获得最佳模型。
具体地,在GAN网络中,生成网络用于将输入该生成网络的低分辨率图像进行分辨率提升,得到高分辨率图像。鉴别网络用于确定生成网络的输出结果与预设标准图像的匹配度,该匹配度在0~1之间。其中,在生成网络的训练过程中,通过调整生成网络的参数,以使生成网络的输出结果输入鉴别网络后,鉴别网络输出尽量接近1的匹配度;在鉴别网络的训练过程中,通过调整鉴别网络的参数,以使得预设标准图像输入鉴别网络后,鉴别网络输出结果尽量接近1,且生成网络的输出结果进入鉴别网络后,鉴别网络输出结果尽量接近0。通过生成网络和鉴别网络的交替训练,使得鉴别网络不断优化,以尽量鉴别区分开生成网络的输出结果与预设标准图像,而生成网络不断优化,以使输出结果尽可能接近预设标准图像。这种方法使得两个相互“对抗”的模型在每次训练中基于另一模型越来越好的结果而进行竞争和不断改进,以得到越来越优的网络模型。
图2为本发明实施例中的一种鉴别器的结构示意图,用于生成式对抗网络中,所述生成式对抗网络包括生成器,需要说明的是,本发明中的鉴别器为存储有鉴别网络的结构或器件,用于实现上文所述的确定匹配度。所述生成器为存储有生成网络的结构或器件,用于实现上文所述的对图像进行分辨率提升;并且,本发明中的生成器用于对输入的低分辨率图像进行不同倍率的分辨率提升处理,以得到分辨率不同的多个高分辨率图像。所谓的“高分辨率”表示相对于输入生成器的低分辨率图像的分辨率更高,可选地,生成器对低分辨率图像依次进行预定倍率的分辨率提升。例如,输入生成器的低分辨率图像的分辨率为128*128,生成器可以配置为对输入的低分辨率图像依次进行三次分辨率提升,每次提升倍率为2倍,从而得到分辨率分别为256*256、512*512、1024*1024的高分辨率图像。
如图2所示,鉴别器200具有多个输入端In1、In2、In3,该多个输入端In1、In2、In3用于分别获取同一组中的多个不同的待鉴别图像,每组所述待鉴别图像包括:所述生成器生成的多个分辨率不同的高分辨率图像;或者,分辨率与该多个高分辨率图像的分辨率一一对应相同的多个预设标准图像。鉴别器200用于根据多个输入端获取到的一组待鉴别图像确定分辨率最高的待鉴别图像与相同分辨率的预设标准图像之间的匹配度。
在生成式对抗网络的训练过程中,鉴别器可以看作具有打分功能的分类器,其可以对接收到的一组待鉴别图像中分辨率最高的一者进行打分,输出的分数则表示分辨率最高的待鉴别图像为预设标准图像的概率,即,上述匹配度。其中,匹配度可以在0~1之间,当鉴别器的输出为0或接近0时,表示其接收到的一组待鉴别图像中分辨率最高的一者是由生成器输出的;当鉴别器的输出为1或接近1时,表示其接收到的一组待鉴别图像中分辨率最高的一者为预设标准图像。本领域技术人员可以理解的是,鉴别器的打分功能可以利用预先确定分数的“真”样本和“假”样本进行训练。其中,“假”样本为生成器生成的高分辨率图像,“真”样本为预设标准图像。对鉴别器打分功能的训练过程即:通过调整鉴别器的参数(即鉴别器中的鉴别网络的模型参数),使得鉴别器接收到“真”样本时输出接近1的分数;接收到“假”样本时输出接近0的分数。
其中,分辨率与多个高分辨率图像的分辨率一一对应相同的多个预设标准图像可以通过对原始图像进行多次下采样而得到。例如,生成器所生成的多个高分辨率图像的分辨率分别为:256*256、512*512、1024*1024的高分辨率图像;原始图像的分辨率为1024*1024,则可以将该原始图像作为其中一个预设标准图像,并通过对原始图像下采样,以获得分辨率分别为512*512、256*256的预设标准图像。
另外,输入生成器的低分辨率图像也可以通过原始图像进行下采样得到。例如,生成器用于对低分辨率图像进行2倍、4倍、8倍的分辨率提升,那么,在GAN网络的训练中,通过对分辨率为a*a的原始图像IH进行下采样,得到分辨率为0.125a*0.125a的低分辨率图像IL,之后,将该低分辨率图像IL输入至生成器,以产生分辨率分别为0.25a*0.25a、0.5a*0.5a、a*a的高分辨率图像;并且,对原始图像IH进行不同倍率的下采样,得到分辨率分别为0.25a*0.25a、0.5a*0.5a、a*a的预设标准图像(其中,分辨率为a*a的预设标准图像即为原始图像本身)。
如上文对GAN网络的训练原理的描述,通过生成器和鉴别器的交替训练,使得鉴别器不断优化,以尽量鉴别区分开生成器的输出结果与预设标准图像,而生成器在越来越优的鉴别器模型上不断优化,以使输出结果尽可能接近预设标准图像。在目前的GAN网络中,以生成器对分辨率进行8倍提升为例,鉴别器在对生成器的输出结果进行判断时,仅考虑生成器输出的分辨率提升8倍后的图像与相应的预设标准图像之间的匹配度。而本发明提供的鉴别器在确定匹配度时,不仅考虑生成器输出的分辨率提升8倍后的图像,还考虑生成器生成的分辨率提升2倍、4倍后的图像,也就是说,在鉴别器训练时,只要生成器输出的其中一个图像与相同分辨率的预设标准图像之间有差异,鉴别器就会输出较低的匹配度,从而促使生成器不仅要满足分辨率提升8倍后的图像与相同分辨率的预设标准图像尽量匹配,而且还要满足分辨率提升2倍、4倍后的图像与各自对应的预设标准图像尽量匹配,从而促使生成器的参数达到更优,进而使得生成器的输出结果更接近真实图像。
图3为本发明实施例中的一种鉴别器的具体结构示意图,如图3所示,鉴别器200包括多个分析模块210、判别模块230和级联的多个池化模块220。
多个分析模块210与多个输入端In1、In2、In3一一对应,分析模块210用于生成相应输入端获取到的待鉴别图像的特征图像,该特征图像为多通道图像,用于表示待鉴别图像多个维度的特征。所述待鉴别图像可以为灰度图像或三通道的彩色图像,所述待鉴别图像的特征图像的分辨率与所述待鉴别图像的分辨率相同,而待鉴别图像的特征图像的通道数大于待鉴别图像的通道数。例如,待鉴别图像的特征图像的通道数为64、128或其他预设的数量。
在一些实施例中,分析模块210采用如图4所示的结构,具体地,分析模块210包括第一卷积层211和第一滤波单元212,第一卷积层211用于对所述待鉴别图像进行卷积操作,以生成达到目标通道数量的图像,记为所述待鉴别图像的初始特征图像。第一滤波单元212用于对所述初始特征图像进行滤波,以得到所述待鉴别图像的特征图像,所述待鉴别图像的特征图像的通道数与所述初始特征图像的通道数相同。本发明中的滤波用于对图像进行图像变换(例如,特征提取)。其中,第一滤波单元212可以采用卷积神经网络(Convolutional Neural Networks,CNN)、残差网络(Residual Networks,ResNet)、密集连接的卷积网络(Densely Connected Convolutional Networks,DenseNet)、交替更新组的对流神经网络(Convolutional Neural Networks with Alternately Updated Clique,CliqueNet)、滤波器库(Filter Banks)等。
多个池化模块220与多个分析模块210一一对应,池化模块220用于将相应的分析模块210生成的特征图像与相同分辨率的参考图像联接(concat),得到合并图像,并对所述合并图像进行下采样,得到下采样特征图像;该下采样图像为多通道图像。其中,第一级池化模块220所对应的参考图像为相应的特征图像,第一级之后的池化模块220所对应的参考图像为上一级池化模块220输出的下采样特征图像。
其中,所述合并图像的分辨率与分析模块210生成的特征图像的分辨率相同,合并图像的通道数为分析模块210生成的特征图像的通道数与参考图像的通道数之和。下采样特征图像的通道数与分析模块210生成的特征图像的通道数相同;除最后一级外,其余池化模块220所输出的下采样特征图像的分辨率与下一级池化模块220所接收的由分析模块210生成的特征图像的分辨率相同;最后一级池化模块220所生成的下采样特征图像的分辨率与输入生成器的低分辨率图像的分辨率相同,以保证每个池化模块220所联接的特征图像和参考图像的分辨率相同。如上文所给示例中,生成器对输入的低分辨率图像依次进行2倍的分辨率提升,此时,每个池化模块220进行下采样的倍率均为2倍,即,当合并图像的分辨率为Y*Y时,下采样后的图像的分辨率为0.5Y*0.5Y。
在一些实施例中,池化模块220采用如图5所示的结构,具体包括联接单元(图5中标注C的圆圈)、第二卷积层221和第二滤波单元222。联接单元用于将分析模块210生成的特征图像与相同分辨率的参考图像联接,得到合并图像;第二卷积层221用于对所述合并图像进行下采样,以得到分辨率降低、通道数量不变的图像,记作初始下采样图像;第二滤波单元222用于对所述初始下采样图像进行滤波,以得到所述下采样特征图像,所述下采样特征图像的通道数量与所述初始下采样特征图像的通道数量相同。
其中,下采样层可以包括反向Muxout层、条纹卷积(Strided Convolution)、最大池化层(Maxpool Layer)或标准的每通道下采样器(如双三次插值器bicubic)。第二滤波单元222可以采样如上文所列举的卷积神经网络、残差网络等网络。
判别模块230用于根据最后一级池化模块220输出的下采样特征图像确定所述匹配度。该匹配度为表示两个图像匹配程度的0~1之间的值,当匹配度为1时,则表明待鉴别图像与预设标准图像越一致,待鉴别图像看起来越真实。
在一些实施例中,判别模块230包括合成子模块231和判别子模块232。
合成子模块231用于根据最后一级池化模块220输出的下采样特征图像生成通道数量小于所述下采样特征图像通道数量的判别图像,该判别图像为三通道的彩色图像或单通道的灰度图像。其中,合成子模块231可以采用图6中的结构,其包括第三滤波单元231a和第三卷积层231b,第三滤波单元231a用于对最后一级池化模块220输出的下采样特征图像进行滤波,以得到与所述下采样特征图像通道数量相同的图像,记作初始判别图像;第三卷积层231b用于根据所述初始判别图像生成所述判别图像。第三滤波单元231a可以采样如上文所列举的卷积神经网络、残差网络等网络。
判别子模块232用于根据所述判别图像确定所述匹配度。应当理解的是,在进行图像处理时,各个图像均是以矩阵的形式表示,上述判别子模块232根据判别图像生成所述匹配度,即,根据判别图像所对应的矩阵中的各元素值生成所述匹配度。具体地,可以利用常用的Sigmoid函数对判断图像进行处理,以得到所述匹配度。
图7为本发明实施例中的图像鉴别方法的流程图,所述图像鉴别方法用于生成式对抗网络的训练中,所述图像鉴别方法可以由上述实施例中的鉴别器来执行。所述生成式对抗网络包括生成网络,所述生成网络用于对输入的低分辨率图像进行不同倍率的分辨率提升处理,以得到分辨率不同的多个高分辨率图像。如图7所示,所述图像鉴别方法包括:
S1、获取一组待鉴别图像,每组所述待鉴别图像包括:所述生成网络生成的多个分辨率不同的高分辨率图像;或者,分辨率与该多个高分辨率图像的分辨率一一对应相同的多个预设标准图像。
S2、根据获取到的一组待鉴别图像确定分辨率最高的待鉴别图像与相同分辨率的预设标准图像之间的匹配度。
图8为本发明实施例中的图像鉴别方法的一个具体流程图。如图8所示,所述图像鉴别方法包括上述步骤S1和S2,其中,步骤S2具体可以包括S21~S23:
S21、生成每个待鉴别图像的特征图像。以待鉴别图像为三个为例,三个待鉴别图像的特征图像按分辨率由高到低分别记作R1、R2、R3。该步骤S21可以由上述分析模块210执行,具体包括:利用第一卷积层生成所述待鉴别图像的初始特征图像;利用第一滤波单元对所述初始特征图像进行滤波,以得到所述待鉴别图像的特征图像,所述待鉴别图像的特征图像的通道数与所述初始特征图像的通道数相同。
S22、依次进行多个下采样过程,多个下采样过程与多个特征图像一一对应,每个下采样过程包括:将相应的特征图像与相同分辨率的参考图像联接,得到合并图像;并对所述合并图像进行下采样,得到下采样特征图像;所述下采样特征图像为多通道图像,且通道数量与特征图像的通道数量相同。其中,第一次下采样过程中的参考图像为第一次下采样过程所对应的特征图像,第一次之后的下采样过程中的参考图像为上一次下采样过程得到的下采样特征图像。每个下采样过程可以由上述池化模块220执行,其中,所述对合并图像进行下采样包括:利用第二卷积层对所述合并图像进行下采样,以得到初始下采样图像;利用第二滤波单元对所述初始下采样图像进行滤波,以得到所述下采样特征图像,所述下采样特征图像的通道数量与所述初始下采样特征图像的通道数量相同。
当多个待鉴别图像分别为上述R1、R2、R3时,如图4所示,步骤S22即包括如下步骤S221~S223:
S221、将特征图像R1与特征图像R1联接,得到第一合并图像;并对该第一合并图像进行下采样,得到与特征图像R2分辨率相同的下采样特征图像R11。
S222、将特征图像R2与下采样特征图像R11联接,得到第二合并图像,并对该第二合并图像进行下采样,得到与特征图像R3分辨率相同的下采样特征图像R12。
S223、将特征图像R3与下采样特征图像R12联接,得到第三合并图像,并对该第三合并图像进行下采样,得到与输入生成网络的低分辨率图像的分辨率相同的下采样特征图像R13。
S23、根据最后一次下采样过程得到的下采样特征图像确定所述匹配度。具体地,该步骤S23包括:
S231、根据最后一次下采样过程得到的下采样特征图像生成通道数量小于所述下采样特征图像通道数量的判别图像,该判别图像为彩色图像或灰度图像;
S232、根据所述判别图像确定所述匹配度。
利用鉴别器进行图像鉴别的具体过程和原理已在上文描述,这里不再赘述。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述图像鉴别方法。所述计算机可读存储介质包括但不限于以下可读介质:诸如随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除PROM(EEPROM)、闪存、磁或光数据存储、寄存器、磁盘或磁带、诸如光盘(CD)或DVD(数字通用盘)的光存储介质以及其它非暂时性介质。处理器的示例包括但不限于通用处理器、中央处理单元(CPU)、微处理器、数字信号处理器(DSP)、控制器、微控制器、状态机等。
以上为对本发明提供的鉴别器、图像鉴别方法和计算机可读存储介质的描述,可以看出,本发明的鉴别器在GAN网络训练过程中确定匹配度时,不仅考虑生成器输出的分辨率最高的图像,还考虑生成器所输出的其他分辨率的图像,也就是说,在鉴别器训练时,只要生成器输出的其中一个图像与相同分辨率的预设标准图像之间有差异,鉴别器就会输出较低的匹配度,从而促使生成器不仅要满足分辨率最高的图像与相同分辨率的预设标准图像尽量匹配,而且还要满足其他分辨率的图像与各自对应的预设标准图像尽量匹配,从而促使生成器的参数达到更优,进而使得生成器的输出结果更接近真实图像。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (15)
1.一种图像鉴别方法,用于生成式对抗网络的训练过程中,所述生成式对抗网络包括生成网络,其特征在于,所述生成网络用于对输入的低分辨率图像进行不同倍率的分辨率提升处理,以得到分辨率不同的多个高分辨率图像;所述图像鉴别方法包括:
获取一组待鉴别图像,每组所述待鉴别图像包括:所述生成网络生成的多个分辨率不同的高分辨率图像;或者,分辨率与该多个高分辨率图像的分辨率一一对应相同的多个预设标准图像;
根据获取到的一组待鉴别图像确定分辨率最高的待鉴别图像与相同分辨率的预设标准图像之间的匹配度。
2.根据权利要求1所述的图像鉴别方法,其特征在于,根据获取到的一组待鉴别图像确定分辨率最高的待鉴别图像与相同分辨率的预设标准图像之间的匹配度,包括:
生成每个待鉴别图像的特征图像;
依次进行多个下采样过程,多个下采样过程与多个特征图像一一对应,每个下采样过程包括:将相应的特征图像与相同分辨率的参考图像联接,得到合并图像;并对所述合并图像进行下采样,得到下采样特征图像;其中,第一次下采样过程中的参考图像为第一次下采样过程所对应的特征图像,第一次之后的下采样过程中的参考图像为上一次下采样过程得到的下采样特征图像;
根据最后一次下采样过程得到的下采样特征图像确定所述匹配度。
3.根据权利要求2所述的图像鉴别方法,其特征在于,所述特征图像和所述下采样特征图像均为多通道图像,且所述下采样特征图像的通道数量与所述特征图像的通道数相同;
根据最后一次下采样过程得到的下采样特征图像确定所述匹配度,包括:
根据最后一次下采样过程得到的下采样特征图像生成通道数量小于所述下采样特征图像通道数量的判别图像,该判别图像为彩色图像或灰度图像;
根据所述判别图像确定所述匹配度。
4.根据权利要求2所述的图像鉴别方法,其特征在于,生成每个待鉴别图像的特征图像,包括:
利用第一卷积层生成所述待鉴别图像的初始特征图像;
利用第一滤波单元对所述初始特征图像进行滤波,以得到所述待鉴别图像的特征图像,所述待鉴别图像的特征图像的通道数与所述初始特征图像的通道数相同。
5.根据权利要求2所述的图像鉴别方法,其特征在于,对所述合并图像进行下采样,包括:
利用第二卷积层对所述合并图像进行下采样,以得到初始下采样图像;
利用第二滤波单元对所述初始下采样图像进行滤波,以得到所述下采样特征图像,所述下采样特征图像的通道数量与所述初始下采样特征图像的通道数量相同。
6.根据权利要求5所述的图像鉴别方法,其特征在于,所述第二卷积层包括最大池化层、平均池化层、条纹卷积层和双三次插值器中的任意一种。
7.根据权利要求3所述的图像鉴别方法,其特征在于,根据最后一次下采样过程得到的下采样特征图像生成通道数量小于所述下采样特征图像通道数量的判别图像,包括:
利用第三滤波单元对最后一次下采样过程得到的下采样特征图像进行滤波,以得到初始判别图像,所述初始判别图像的通道数量与所述下采样特征图像的通道数量相同;
利用第三卷积层根据所述初始判别图像生成所述判别图像。
8.一种鉴别器,用于生成式对抗网络中,所述生成式对抗网络包括生成,其特征在于,所述生成器用于对输入的低分辨率图像进行不同倍率的分辨率提升处理,以得到分辨率不同的多个高分辨率图像;
所述鉴别器具有多个输入端,该多个输入端用于分别获取同一组中的多个不同的待鉴别图像,每组所述待鉴别图像包括:所述生成器生成的多个分辨率不同的高分辨率图像;或者,分辨率与该多个高分辨率图像的分辨率一一对应相同的多个预设标准图像;
所述鉴别器用于根据多个输入端获取到的一组待鉴别图像确定分辨率最高的待鉴别图像与相同分辨率的预设标准图像之间的匹配度。
9.根据权利要求8所述的鉴别器,其特征在于,所述鉴别器包括多个分析模块、判别模块和级联的多个池化模块,
多个所述分析模块与多个所述输入端一一对应,所述分析模块用于生成相应输入端获取到的待鉴别图像的特征图像;
多个所述池化模块与多个所述分析模块一一对应,所述池化模块用于将相应的分析模块生成的特征图像与相同分辨率的参考图像联接,得到合并图像,并对所述合并图像进行下采样,得到下采样特征图像;其中,第一级池化模块所对应的参考图像为相应的特征图像,第一级之后的池化模块所对应的参考图像为上一级池化模块输出的下采样特征图像;
所述判别模块用于根据最后一级池化模块输出的下采样特征图像确定所述匹配度。
10.根据权利要求9所述的鉴别器,其特征在于,所述分析模块生成的特征图像以及所述池化模块所生成的下采样特征图像均为多通道图像,且下采样特征图像的通道数量与所述分析模块生成的特征图像的通道数相同;
所述判别模块包括合成子模块和判别子模块,
所述合成子模块用于根据最后一次下采样过程得到的下采样特征图像生成通道数量小于所述下采样特征图像通道数量的判别图像,该判别图像为彩色图像或灰度图像;
所述判别子模块用于根据所述判别图像确定所述匹配度。
11.根据权利要求9所述的鉴别器,其特征在于,所述分析模块包括第一卷积层和第一滤波单元,
所述第一卷积层用于生成所述待鉴别图像的初始特征图像;
所述第一滤波单元用于对所述初始特征图像进行滤波,以得到所述待鉴别图像的特征图像,所述待鉴别图像的特征图像的通道数与所述初始特征图像的通道数相同。
12.根据权利要求9所述的鉴别器,其特征在于,所述池化模块包括第二卷积层和第二滤波单元,
所述第二卷积层用于对所述合并图像进行下采样,以得到初始下采样图像;
所述第二滤波单元用于对所述初始下采样图像进行滤波,以得到所述下采样特征图像,所述下采样特征图像的通道数量与所述初始下采样特征图像的通道数量相同。
13.根据权利要求12所述的鉴别器,其特征在于,所述第二卷积层包括最大池化层、平均池化层、条纹卷积层、双三次插值器中的任意一种。
14.根据权利要求10所述的鉴别器,其特征在于,所述合成子模块包括第三滤波单元和第三卷积层,
所述第三滤波单元用于对最后一级池化模块输出的下采样特征图像进行滤波,以得到初始判别图像,所述初始判别图像的通道数量与所述下采样特征图像的通道数量相同;
所述第三卷积层用于根据所述初始判别图像生成所述判别图像。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任意一项所述的图像鉴别方法。
Priority Applications (22)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811155326.6A CN109345455B (zh) | 2018-09-30 | 2018-09-30 | 图像鉴别方法、鉴别器和计算机可读存储介质 |
BR112020022560-6A BR112020022560A2 (pt) | 2018-09-30 | 2019-04-23 | aparelho e método para processamento de imagens e sistema para rede neural de treinamento |
EP19850782.4A EP3857447A4 (en) | 2018-09-30 | 2019-04-23 | Apparatus and method for image processing, and system for training neural network |
RU2020136214A RU2762144C1 (ru) | 2018-09-30 | 2019-04-23 | Устройство и способ для обработки изображения и система для обучения нейроной сети |
KR1020207037174A KR102661434B1 (ko) | 2018-09-30 | 2019-04-23 | 이미지 처리를 위한 장치 및 방법, 및 신경 네트워크를 트레이닝하기 위한 시스템 |
PCT/CN2019/083872 WO2020062846A1 (en) | 2018-09-30 | 2019-04-23 | Apparatus and method for image processing, and system for training neural network |
JP2020529196A JP7415251B2 (ja) | 2018-09-30 | 2019-04-23 | 画像処理用の装置及び方法、並びにニューラルネットワークトをトレーニングするシステム |
US16/604,410 US11615505B2 (en) | 2018-09-30 | 2019-04-23 | Apparatus and method for image processing, and system for training neural network |
AU2019350918A AU2019350918B2 (en) | 2018-09-30 | 2019-04-23 | Apparatus and method for image processing, and system for training neural network |
MX2020013580A MX2020013580A (es) | 2018-09-30 | 2019-04-23 | Aparato y metodo para procesamiento de imagenes y sistema para entrenamiento de red neuronal. |
US16/614,547 US11361222B2 (en) | 2018-09-30 | 2019-06-20 | System, method, and computer-readable medium for image classification |
PCT/CN2019/092113 WO2020062958A1 (en) | 2018-09-30 | 2019-06-20 | Apparatus, method, and computer-readable medium for image processing, and system for training a neural network |
EP19850757.6A EP3857503A4 (en) | 2018-09-30 | 2019-06-20 | SYSTEM, METHOD AND COMPUTER READABLE MEDIA FOR IMAGE CLASSIFICATION |
JP2020528242A JP7463643B2 (ja) | 2018-09-30 | 2019-06-20 | 画像処理用の装置、方法及びコンピュータ読み取り可能媒体、並びにニューラルネットワークトレーニングシステム |
PCT/CN2019/092042 WO2020062957A1 (en) | 2018-09-30 | 2019-06-20 | System, method, and computer-readable medium for image classification |
EP19850805.3A EP3857504A4 (en) | 2018-09-30 | 2019-06-20 | APPARATUS, METHOD AND COMPUTER READABLE MEDIUM FOR IMAGE PROCESSING, AND NETWORK TRAINING SYSTEM |
US16/614,558 US11348005B2 (en) | 2018-09-30 | 2019-06-20 | Apparatus, method, and computer-readable medium for image processing, and system for training a neural network |
US16/759,669 US11449751B2 (en) | 2018-09-30 | 2019-09-25 | Training method for generative adversarial network, image processing method, device and storage medium |
PCT/CN2019/107761 WO2020063648A1 (zh) | 2018-09-30 | 2019-09-25 | 生成对抗网络训练方法、图像处理方法、设备及存储介质 |
KR1020207014462A KR102389173B1 (ko) | 2018-09-30 | 2019-09-25 | 생성 적대 네트워크를 위한 트레이닝 방법, 이미지 처리 방법, 디바이스 및 저장 매체 |
JP2020528931A JP7446997B2 (ja) | 2018-09-30 | 2019-09-25 | 敵対的生成ネットワークのトレーニング方法、画像処理方法、デバイスおよび記憶媒体 |
EP19864756.2A EP3859655A4 (en) | 2018-09-30 | 2019-09-25 | TRAINING METHOD, IMAGE PROCESSING METHOD, DEVICE AND STORAGE MEDIUM FOR GENERATIVE ADVERSARY NETWORK |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811155326.6A CN109345455B (zh) | 2018-09-30 | 2018-09-30 | 图像鉴别方法、鉴别器和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109345455A true CN109345455A (zh) | 2019-02-15 |
CN109345455B CN109345455B (zh) | 2021-01-26 |
Family
ID=65308388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811155326.6A Active CN109345455B (zh) | 2018-09-30 | 2018-09-30 | 图像鉴别方法、鉴别器和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345455B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570355A (zh) * | 2019-09-12 | 2019-12-13 | 杭州海睿博研科技有限公司 | 多尺度自动聚焦超分辨率处理系统和方法 |
WO2020063648A1 (zh) * | 2018-09-30 | 2020-04-02 | 京东方科技集团股份有限公司 | 生成对抗网络训练方法、图像处理方法、设备及存储介质 |
WO2022088089A1 (zh) * | 2020-10-30 | 2022-05-05 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置、电子设备及可读存储介质 |
JP2022554120A (ja) * | 2020-02-10 | 2022-12-28 | ▲騰▼▲訊▼科技(深▲セン▼)有限公司 | 画像分割方法、装置及びコンピュータプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133601A (zh) * | 2017-05-13 | 2017-09-05 | 五邑大学 | 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 |
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN107527044A (zh) * | 2017-09-18 | 2017-12-29 | 北京邮电大学 | 一种基于搜索的多张车牌清晰化方法及装置 |
US20180075581A1 (en) * | 2016-09-15 | 2018-03-15 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN107977932A (zh) * | 2017-12-28 | 2018-05-01 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
-
2018
- 2018-09-30 CN CN201811155326.6A patent/CN109345455B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180075581A1 (en) * | 2016-09-15 | 2018-03-15 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN107133601A (zh) * | 2017-05-13 | 2017-09-05 | 五邑大学 | 一种基于生成式对抗网络图像超分辨率技术的行人再识别方法 |
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN107527044A (zh) * | 2017-09-18 | 2017-12-29 | 北京邮电大学 | 一种基于搜索的多张车牌清晰化方法及装置 |
CN107977932A (zh) * | 2017-12-28 | 2018-05-01 | 北京工业大学 | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 |
Non-Patent Citations (1)
Title |
---|
高媛 等: "基于深度残差生成对抗网络的医学影像超分辨率算法", 《计算机应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020063648A1 (zh) * | 2018-09-30 | 2020-04-02 | 京东方科技集团股份有限公司 | 生成对抗网络训练方法、图像处理方法、设备及存储介质 |
US11449751B2 (en) | 2018-09-30 | 2022-09-20 | Boe Technology Group Co., Ltd. | Training method for generative adversarial network, image processing method, device and storage medium |
CN110570355A (zh) * | 2019-09-12 | 2019-12-13 | 杭州海睿博研科技有限公司 | 多尺度自动聚焦超分辨率处理系统和方法 |
CN110570355B (zh) * | 2019-09-12 | 2020-09-01 | 杭州海睿博研科技有限公司 | 多尺度自动聚焦超分辨率处理系统和方法 |
JP2022554120A (ja) * | 2020-02-10 | 2022-12-28 | ▲騰▼▲訊▼科技(深▲セン▼)有限公司 | 画像分割方法、装置及びコンピュータプログラム |
JP7268248B2 (ja) | 2020-02-10 | 2023-05-02 | ▲騰▼▲訊▼科技(深▲セン▼)有限公司 | 画像分割方法、装置及びコンピュータプログラム |
WO2022088089A1 (zh) * | 2020-10-30 | 2022-05-05 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109345455B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345455A (zh) | 图像鉴别方法、鉴别器和计算机可读存储介质 | |
US11508146B2 (en) | Convolutional neural network processing method and apparatus | |
US11256960B2 (en) | Panoptic segmentation | |
CN106683048B (zh) | 一种图像超分辨率方法及设备 | |
CN108182456B (zh) | 一种基于深度学习的目标检测模型及其训练方法 | |
CN107122826B (zh) | 用于卷积神经网络的处理方法和系统、和存储介质 | |
WO2020063648A1 (zh) | 生成对抗网络训练方法、图像处理方法、设备及存储介质 | |
CN110717851A (zh) | 图像处理方法及装置、神经网络的训练方法、存储介质 | |
CN110175986B (zh) | 一种基于卷积神经网络的立体图像视觉显著性检测方法 | |
US20170256033A1 (en) | Image Upsampling using Global and Local Constraints | |
CN110046550B (zh) | 基于多层特征学习的行人属性识别系统及方法 | |
JP2022551683A (ja) | 人工知能(ai)モデルを使用した非侵襲的遺伝子検査を行う方法及びシステム | |
CN110070115B (zh) | 一种单像素攻击样本生成方法、装置、设备及存储介质 | |
CN109345456A (zh) | 生成对抗网络训练方法、图像处理方法、设备及存储介质 | |
CN112507990A (zh) | 视频时空特征学习、抽取方法、装置、设备及存储介质 | |
Naga Srinivasu et al. | A comparative review of optimisation techniques in segmentation of brain MR images | |
CN110728666B (zh) | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 | |
Chen et al. | Automated design of neural network architectures with reinforcement learning for detection of global manipulations | |
CN110647820B (zh) | 基于特征空间超分辨映射的低分辨率人脸识别方法 | |
CN110046622A (zh) | 一种有目标的攻击样本生成方法、装置、设备及存储介质 | |
CN110688966B (zh) | 语义指导的行人重识别方法 | |
US11481919B2 (en) | Information processing device | |
CN106295700B (zh) | 一种基于典型相关分析网络的二视角图像识别方法 | |
CN111126173A (zh) | 一种高精度人脸检测方法 | |
CN110163244A (zh) | 一种瓷砖纹理分类方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |