CN110610458B - 一种基于岭回归的gan图像增强交互处理方法及系统 - Google Patents
一种基于岭回归的gan图像增强交互处理方法及系统 Download PDFInfo
- Publication number
- CN110610458B CN110610458B CN201910363845.XA CN201910363845A CN110610458B CN 110610458 B CN110610458 B CN 110610458B CN 201910363845 A CN201910363845 A CN 201910363845A CN 110610458 B CN110610458 B CN 110610458B
- Authority
- CN
- China
- Prior art keywords
- image
- layers
- network
- layer
- module
- 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.)
- Active
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000009466 transformation Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000010606 normalization Methods 0.000 claims abstract description 27
- 230000004913 activation Effects 0.000 claims abstract description 20
- 230000002452 interceptive effect Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000008034 disappearance Effects 0.000 claims abstract description 9
- 230000008485 antagonism Effects 0.000 claims abstract description 8
- 230000003213 activating effect Effects 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 14
- 239000006185 dispersion Substances 0.000 claims description 8
- 230000004069 differentiation Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于岭回归的GAN图像增强交互处理方法及系统,其中方法包括训练数据集步骤和测试数据集步骤,所述训练步骤包括以下子步骤:使用VGG功能从图像中提取CNN特征;激活层使用ReLU函数将提取的CNN特征输入GAN网络中;在激活层后进行归一化处理,并运用岭回归方法处理图像交互过程中的过拟合现象;使用剩余残差密集块子模块减缓梯度消失并获取图像特征信息;使用自回归条件异方差模型子模块提取图片特征和元组以及对图片进行超分辨率重建;使用空间特征变换对抗网络、生成超分辨率和对抗生成网络中至少一种方法提高生成样本的能力。本发明解决了GAN图像像素处理中的模糊现象而且有效地将采集的视频数据极大程度地保留。
Description
技术领域
本发明涉及图像处理的技术领域,具体地说是一种基于岭回归的GAN图像增强交互处理方法及系统。
背景技术
随着深度学习的发展,深度学习中各种领域都需要大量的数据,图片数据的质量便成了一个很重要的因素。但在很多情况下的数据采集,图片可能会呈现低分辨率的情况,另外,互联网中大量的图像杂乱无章,分辨率较低,如何将低分辨率图片生成为高分辨率图片便成为值得思考的问题。基于这些想法,本文确立了基于生成对抗网络(GenerativeAdversarial Nets,简称 GAN)算法的图像增强交互生成技术研究。通过使用GAN来生成高分辨率图像,并运用岭回归方法改进GAN网络中数据归一化处理,达到图像增强交互效果。通过从可用的大批量的训练数据集中生成对应的概率生成模型,进而通过比较相对判别器生成的概率和损失函数,来近似的重置图像从而达到生成高分辨率图像内容的目的。
申请号为CN107273936A的发明专利申请公开了一种GAN图像处理方法及系统,其中方法包括:接收随机噪声,利用基于改进的LSGAN的生成网络,生成图像;接受真实图像,对真实图像和生成图像分别进行不同度数的图像梯度变换,得到变换图像集;将变换图像集中的变换图像分别输入到判别网络的多通道卷积网络的各个通道中,进行特征的提取和融合,得到输出结果。该方法的缺点是有的网络层很难优化,从而使训练出来的图像集效果并不好;该方法是真实图像和生成图像进行判别,很难定量地判断生成器何时产生高质量的图像集;该方法最后使用VGG功能,使得训练出来的特征非常稀疏,亮度与真实图像不一致。
发明内容
为了解决上述的技术问题,本发明提出一种基于岭回归的GAN图像增强交互处理方法及系统,不仅解决了GAN图像像素处理中的模糊现象而且有效地将采集的视频数据极大程度地保留,并为深度学习各方面研究提供足够的高分辨率样本图片。
本发明的第一目的是提供一种基于岭回归的GAN图像增强交互处理方法,包括训练数据集步骤和测试数据集步骤,所述训练步骤包括以下子步骤:
步骤01:使用VGG功能从图像中提取CNN特征;
步骤02:激活层使用ReLU函数将提取的CNN特征输入GAN网络中;
步骤03:在激活层后进行归一化处理,并运用岭回归方法处理图像交互过程中的过拟合现象;
步骤04:使用剩余残差密集块子模块减缓梯度消失并获取图像特征信息;
步骤05:使用自回归条件异方差模型子模块提取图片特征和元组以及对图片进行超分辨率重建;
步骤06:使用空间特征变换对抗网络、生成超分辨率和对抗生成网络中至少一种方法提高生成样本的能力。
优选的是,所述VGG的结构由5层卷积层、3层全连接层、softmax输出层构成,层与层之间使用最大池化分开。
在上述任一方案中优选的是,所有隐层的激活单元都采用ReLU函数。
在上述任一方案中优选的是,所述岭回归方法用于处理批处理规范变换和实例处理规范遗留下的过拟合现象,采用梯度下降法进行求解。
在上述任一方案中优选的是,所述剩余残差密集块子模块包括残差网络块、卷积层和密集连接。
在上述任一方案中优选的是,所述残差网络块包含shortcut连接子模块,利用F(x)+x公式跳过难以优化的层。
在上述任一方案中优选的是,所述卷积层是利用3个卷积核进行5层卷积,并由LeakyReLU函数和贝叶斯获取图像特征信息。
在上述任一方案中优选的是,所述自回归条件异方差模型子模块用于使用稀疏傅里叶变换算法和语义分割网络对图片特征进行提取、超分辨率进行重建。
在上述任一方案中优选的是,所述自回归条件异方差模型子模块包括空间特征变换层、深度残差分模块和空间特征变换网络。
在上述任一方案中优选的是,所述空间特征变换层是利用稀疏傅里叶变换算法和语义分割网络对图片进行全局差异化的超分辨率重建。
在上述任一方案中优选的是,所述深度残差分模块利用深度残差块与批量归一化层相结合解决梯度弥散。
在上述任一方案中优选的是,所述空间特征变换网络利用稀疏傅里叶变换算法提取图片的特性和条件的元组。
在上述任一方案中优选的是,所述训练数据集格式统一为.lmdb文本。
在上述任一方案中优选的是,所述数据集测试步骤包括测试地址和测试训练集。
在上述任一方案中优选的是,测试数据集格式统一为.png文本。
本发明的第二目的是提供一种基于岭回归的GAN图像增强交互处理系统,包括训练模块和测试模块,所述训练模块包括以下子模块:
特征提取子模块:用于使用VGG功能从图像中提取CNN特征;
激活函数激活子模块:用于激活层使用ReLU函数将提取的CNN特征输入GAN网络中;
归一化处理子模块:用于在激活层后进行归一化处理,并运用岭回归处理图像交互过程中的过拟合现象;
剩余残差密集块子模块:用于减缓梯度消失并获取图像特征信息;
自回归条件异方差模型子模块:用于提取图片特征和元组以及对图片进行超分辨率重建;
基本子模块:用于使用空间特征变换对抗网络、生成超分辨率和对抗生成网络中至少一种方法提高生成样本的能力。
优选的是,所述VGG的结构由5层卷积层、3层全连接层、softmax输出层构成,层与层之间使用最大池化分开。
在上述任一方案中优选的是,所有隐层的激活单元都采用ReLU函数。
在上述任一方案中优选的是,所述岭回归方法用于处理批处理规范变换和实例处理规范遗留下的过拟合现象,采用梯度下降法进行求解
在上述任一方案中优选的是,所述剩余残差密集块子模块包括残差网络块、卷积层和密集连接。
在上述任一方案中优选的是,所述残差网络块包含shortcut连接子模块,利用F(x)+x公式跳过难以优化的层。
在上述任一方案中优选的是,所述卷积层是利用3个卷积核进行5层卷积,并由LeakyReLU函数和贝叶斯获取图像特征信息。
在上述任一方案中优选的是,所述自回归条件异方差模型子模块用于使用稀疏傅里叶变换算法和语义分割网络对图片特征进行提取、超分辨率进行重建。
在上述任一方案中优选的是,所述自回归条件异方差模型子模块包括空间特征变换层、深度残差分模块和空间特征变换网络。
在上述任一方案中优选的是,所述空间特征变换层是利用稀疏傅里叶变换算法和语义分割网络对图片进行全局差异化的超分辨率重建。
在上述任一方案中优选的是,所述深度残差分模块利用深度残差块与批量归一化层相结合解决梯度弥散。
在上述任一方案中优选的是,所述空间特征变换网络利用稀疏傅里叶变换算法提取图片的特性和条件的元组。
在上述任一方案中优选的是,所述训练数据集格式统一为.lmdb文本。
在上述任一方案中优选的是,所述测试模块用于测试地址和测试训练集。
在上述任一方案中优选的是,测试数据集格式统一为.png文本。
本发明提出了一种基于岭回归的GAN图像增强交互处理方法,可在pc端交互设备上进行低分辨率图片重置为高分辨率图片。同时,用户还可以随时保存图片。
附图说明
图1为按照本发明的基于岭回归的GAN图像增强交互处理方法的一优选实施例的流程图。
图2为按照本发明的基于岭回归的GAN图像增强交互处理系统的一优选实施例的模块图。
图3为按照本发明的基于岭回归的GAN图像增强交互处理方法的另一优选实施例的总流程示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1所示,一种基于岭回归的GAN图像增强交互处理方法,包括训练数据集步骤100和测试数据集步骤110。
在训练数据集步骤100中,执行步骤101,使用VGG功能从图像中提取CNN特征。VGG的结构由5层卷积层、3层全连接层、softmax输出层构成,层与层之间使用最大池化分开。所有隐层的激活单元都采用ReLU函数。执行步骤102,激活层使用ReLU函数将提取的CNN特征输入GAN网络中。执行步骤103,在激活层后进行归一化处理,并运用岭回归方法处理图像交互过程中的过拟合现象。岭回归方法用于处理批处理规范变换和实例处理规范遗留下的过拟合现象,采用梯度下降法进行求解。执行步骤104,使用剩余残差密集块子模块减缓梯度消失并获取图像特征信息。剩余残差密集块子模块包括残差网络块、卷积层和密集连接。残差网络块包含shortcut连接子模块,利用F(x)+x公式跳过难以优化的层。卷积层是利用3个卷积核进行5层卷积,并由LeakyReLU函数和贝叶斯获取图像特征信息。执行步骤105,使用自回归条件异方差模型子模块提取图片特征和元组以及对图片进行超分辨率重建。自回归条件异方差模型子模块用于使用稀疏傅里叶变换算法和语义分割网络对图片特征进行提取、超分辨率进行重建。自回归条件异方差模型子模块包括空间特征变换层、深度残差分模块和空间特征变换网络。空间特征变换层是利用稀疏傅里叶变换算法和语义分割网络对图片进行全局差异化的超分辨率重建。深度残差分模块利用深度残差块与批量归一化层相结合解决梯度弥散。空间特征变换网络利用稀疏傅里叶变换算法提取图片的特性和条件的元组。执行步骤106,使用空间特征变换对抗网络、生成超分辨率和对抗生成网络中至少一种方法提高生成样本的能力。训练数据集格式统一为.lmdb文本。
在测试数据集步骤110中,包括测试地址和测试训练集,测试数据集格式统一为.png文本。
实施例二
如图2所示,一种基于岭回归的GAN图像增强交互处理系统包括训练模块200和测试模块210。
训练模块200包括特征提取子模块201、函数激活子模块202、归一化处理子模块203、剩余残差密集块子模块204、自回归条件异方差模型子模块205和基本子模块206。
特征提取子模块201用于使用VGG功能从图像中提取CNN特征。
函数激活子模块202用于激活层使用ReLU函数将提取的CNN特征输入GAN网络中。VGG的结构由5层卷积层、3层全连接层、softmax输出层构成,层与层之间使用最大池化分开。所有隐层的激活单元都采用ReLU函数。
归一化处理子模块203用于在激活层后进行归一化处理,并运用岭回归处理图像交互过程中的过拟合现象。岭回归方法用于处理批处理规范变换和实例处理规范遗留下的过拟合现象,采用梯度下降法进行求解。
剩余残差密集块子模块204用于减缓梯度消失并获取图像特征信息。剩余残差密集块子模块包括残差网络块、卷积层和密集连接。残差网络块包含shortcut连接子模块,利用F(x)+x公式跳过难以优化的层。卷积层是利用3个卷积核进行5层卷积,并由LeakyReLU函数和贝叶斯获取图像特征信息。
自回归条件异方差模型子模块205用于提取图片特征和元组以及对图片进行超分辨率重建。自回归条件异方差模型子模块用于使用稀疏傅里叶变换算法和语义分割网络对图片特征进行提取、超分辨率进行重建。自回归条件异方差模型子模块包括空间特征变换层、深度残差分模块和空间特征变换网络。深度残差分模块利用深度残差块与批量归一化层相结合解决梯度弥散。空间特征变换层是利用稀疏傅里叶变换算法和语义分割网络对图片进行全局差异化的超分辨率重建。空间特征变换网络利用稀疏傅里叶变换算法提取图片的特性和条件的元组。
基本子模块206用于使用空间特征变换对抗网络、生成超分辨率和对抗生成网络中至少一种方法提高生成样本的能力。
训练模块200的训练数据集格式统一为.lmdb文本。
测试模块210用于测试地址和测试训练集,测试数据集格式统一为.png文本。
实施例三
一种基于岭回归的GAN图像增强交互处理方法,包括训练模块:VGG功能,激活函数,训练数据集归一化处理方法,剩余残差密集块子模块(RDDB)模块,自回归条件异方差模型模块,loss函数,基本模块等。测试模块:测试地址,测试训练集等。方法提供训练数据集、测试数据集以及训练和测试的实行方法。
在激活函数之前使用VGG功能,从图像中提取CNN特征,保证图像增强交互时图像特征的完整性。VGG功能:VGG结构由5层卷积层、3层全连接层、softmax输出层构成,层与层之间使用max-pooling(最大池化)分开,所有隐层的激活单元都采用ReLU函数。
在激活层后进行归一化处理,并运用岭回归处理图像交互过程中的过拟合现象。岭回归:本方法的岭回归主要处理批处理规范变换(Batch Normalizing Transform)和实例处理规范(Instance Normalization)遗留下的过拟合现象,采用梯度下降法进行求解,损失了无偏性,获得更高的算法精确度。
剩余残差密集块子模块(RDDB)模块包括残差网络块,卷积层以及密集连接。该模块作用主要是减缓梯度消失的问题和获取图像特征信息。残差网络块:本方法的残差网络块包含shortcut连接模块,利用F(x)+x公式跳过难以优化的层,不仅减缓梯度消失的问题而且使图像交互更为便捷。卷积层:本方法的卷积层是利用3个卷积核进行5层卷积,并由LeakyReLU函数和贝叶斯获取图像特征信息。
自回归条件异方差模型模块,该模块主要包含稀疏傅里叶变换算法和语义分割网络对图片特征进行提取、超分辨率进行重建以及解决梯度弥散等问题,模块中包括空间特征变换(Spatial Feature Transform)层、深度残差模块、空间特征变换对抗网络等。该模块作用主要是提取图片特征和元组以及对图片进行超分辨率重建。空间特征变换(SpatialFeature Transform)层:本方法的空间特征变换层是利用稀疏傅里叶变换算法和语义分割网络对图片进行全局差异化的超分辨率重建,达到图片增强交互效果。深度残差模块:本方法的深度残差模块中利用深度残差块与批量归一化层(BN:Batch Normalization)相结合解决梯度弥散的问题,并便于图像增强交互。空间特征变换对抗网络:本方法的空间特征变换对抗网络利用稀疏傅里叶变换算法提取图片的特性和条件的元组。
基本模块包括空间特征变换对抗网络(SFTGAN)、生成超分辨率(SR)、对抗生成网络(SRGAN)等方法。该模块中运用不同方法的特征使得生成样本的能力尽可能强,从而使得生成器与相对判别器生成图像概率更接近于标准。
训练数据集格式统一为.lmdb文本,测试数据集格式统一为.png文本。
实施例四
本发明提供一种基于岭回归的GAN图像增强交互处理方法,所采取的技术方案包括改进数据集归一化处理,改进导入训练数据集代码,改进激活方式,改进网络结构,改进鉴别器。
改进数据集归一化处理包括运用权重和偏重,均值消减和标准差,岭回归过拟合处理。
改进导入训练数据集代码是将数据集统一化为lmdb格式。
改进激活方式是提前使用VGG功能。
改进网络结构包括运用去除剩余残余密集块中不必要的批量归一化层,运用空间特征变换对抗网络、对抗生成网络。
改进鉴别器是使用相对论平均GAN,试图预测真实图像比假图像更真实的概率,从而使生成的图片更靠近真实图片。
本方法包括如下步骤:
a)对图片进行训练得出一个评判图片真伪的标准;
b)当低分辨率图片输入时,相对判别器试图预测真实图像比假图像更真实的概率;
c)生成器与相对判别器的概率达到标准后,输出高分辨率图片。
本方法相对现有技术的有益效果:
本方法基于岭回归的GAN图像增强交互处理方法,可在pc端交互设备上进行低分辨率图片重置为高分辨率图片。同时,用户还可以随时保存图片。该方法不仅解决了GAN图像像素处理中的模糊现象而且有效地将采集的视频数据极大程度地保留,并为深度学习各方面研究提供足够的高分辨率样本图片。
实施例五
如图3可知,按照本方法的基于岭回归的GAN图像增强交互处理方法的一优选实施例,包括:
1)使用VGG功能,改善感知损失,使图像增强交互后图像亮度与原图像相近;
2)使用激活函数,引入了非线性因素;
3)数据归一化处理,判断数据类型使用不同的处理公式,对于过拟合现象使用岭回归;
4)去除剩余残余密集块中不必要的批量归一化层;
5)同时相对平均判别对抗网络(RaGAN)预测真实图像比假图像更真实的概率;
6)相对判别器生成的概率与判别器的比值进行对比。
为了更好地理解本发明,以上结合本发明的具体实施例做了详细描述,但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改,均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (6)
1.一种基于岭回归的GAN图像增强交互处理方法,包括训练数据集步骤和测试数据集步骤,其特征在于,所述训练步骤包括以下子步骤:
步骤01:使用VGG功能从图像中提取CNN特征,所述VGG的结构由5层卷积层、3层全连接层、softmax输出层构成,层与层之间使用最大池化分开,所述卷积层是利用3个卷积核进行5层卷积,并由LeakyReLU函数和贝叶斯获取图像特征信息;
步骤02:激活层使用ReLU函数将提取的CNN特征输入GAN网络中;
步骤03:在激活层后进行归一化处理,并运用岭回归方法处理图像交互过程中的过拟合现象;
步骤04:使用剩余残差密集块子模块减缓梯度消失并获取图像特征信息;
步骤05:使用自回归条件异方差模型子模块提取图片特征和元组以及对图片进行超分辨率重建;所述自回归条件异方差模型子模块用于使用稀疏傅里叶变换算法和语义分割网络对图片特征进行提取、超分辨率进行重建;所述自回归条件异方差模型子模块包括空间特征变换层、深度残差分模块和空间特征变换网络;所述空间特征变换层是利用稀疏傅里叶变换算法和语义分割网络对图片进行全局差异化的超分辨率重建,所述深度残差分模块利用深度残差块与批量归一化层相结合解决梯度弥散,所述空间特征变换网络利用稀疏傅里叶变换算法提取图片的特性和条件的元组;
步骤06:使用空间特征变换对抗网络、生成超分辨率和对抗生成网络中至少一种方法提高生成样本的能力。
2.如权利要求1所述的基于岭回归的GAN图像增强交互处理方法,其特征在于,所有隐层的激活单元都采用ReLU函数。
3.如权利要求1所述的基于岭回归的GAN图像增强交互处理方法,其特征在于,所述岭回归方法用于处理批处理规范变换和实例处理规范遗留下的过拟合现象,采用梯度下降法进行求解。
4.如权利要求1所述的基于岭回归的GAN图像增强交互处理方法,其特征在于,所述剩余残差密集块子模块包括残差网络块、卷积层和密集连接。
5.如权利要求4所述的基于岭回归的GAN图像增强交互处理方法,其特征在于,所述残差网络块包含shortcut连接子模块,利用F(x)+x公式跳过难以优化的层。
6.一种基于岭回归的GAN图像增强交互处理系统,包括训练模块和测试模块,其特征在于,所述训练模块包括以下子模块:
特征提取子模块:用于使用VGG功能从图像中提取CNN特征,所述VGG的结构由5层卷积层、3层全连接层、softmax输出层构成,层与层之间使用最大池化分开,所述卷积层是利用3个卷积核进行5层卷积,并由LeakyReLU函数和贝叶斯获取图像特征信息;
激活函数激活子模块:用于激活层使用ReLU函数将提取的CNN特征输入GAN网络中;
归一化处理子模块:用于在激活层后进行归一化处理,并运用岭回归处理图像交互过程中的过拟合现象;
剩余残差密集块子模块:用于减缓梯度消失并获取图像特征信息;自回归条件异方差模型子模块:用于提取图片特征和元组以及对图片进行超分辨率重建;所述自回归条件异方差模型子模块用于使用稀疏傅里叶变换算法和语义分割网络对图片特征进行提取、超分辨率进行重建;所述自回归条件异方差模型子模块包括空间特征变换层、深度残差分模块和空间特征变换网络;所述空间特征变换层是利用稀疏傅里叶变换算法和语义分割网络对图片进行全局差异化的超分辨率重建,所述深度残差分模块利用深度残差块与批量归一化层相结合解决梯度弥散,所述空间特征变换网络利用稀疏傅里叶变换算法提取图片的特性和条件的元组;
基本子模块:用于使用空间特征变换对抗网络、生成超分辨率和对抗生成网络中至少一种方法提高生成样本的能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363845.XA CN110610458B (zh) | 2019-04-30 | 2019-04-30 | 一种基于岭回归的gan图像增强交互处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363845.XA CN110610458B (zh) | 2019-04-30 | 2019-04-30 | 一种基于岭回归的gan图像增强交互处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110610458A CN110610458A (zh) | 2019-12-24 |
CN110610458B true CN110610458B (zh) | 2023-10-20 |
Family
ID=68889622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910363845.XA Active CN110610458B (zh) | 2019-04-30 | 2019-04-30 | 一种基于岭回归的gan图像增强交互处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610458B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681188B (zh) * | 2020-06-15 | 2022-06-17 | 青海民族大学 | 基于结合图像像素先验和图像梯度先验的图像去模糊方法 |
CN111931689B (zh) * | 2020-08-26 | 2021-04-23 | 北京建筑大学 | 一种在线提取视频卫星数据鉴别特征的方法 |
CN112528979B (zh) * | 2021-02-10 | 2021-05-11 | 成都信息工程大学 | 变电站巡检机器人障碍物判别方法及系统 |
CN112906601B (zh) * | 2021-03-04 | 2022-06-03 | 中南大学 | 用于多种信号的信噪比估算方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999010816A1 (es) * | 1997-08-22 | 1999-03-04 | Centro Nacional De Investigaciones Cientificas (Cnic) | Sistema y metodo para la tomografia de la corriente electrica primaria del cerebro y del corazon |
CN102084657A (zh) * | 2008-05-30 | 2011-06-01 | 日本胜利株式会社 | 动态图像编码装置、动态图像编码方法、动态图像编码程序、动态图像解码装置、动态图像解码方法、动态图像解码程序、动态图像再编码装置、动态图像再编码方法、动态图像再编码程序 |
CN103617607A (zh) * | 2013-11-28 | 2014-03-05 | 天津大学 | 一种单幅图像超分辨率重建方法 |
CN104616266A (zh) * | 2015-02-11 | 2015-05-13 | 张振军 | 一种基于广义自回归异方差模型的噪声方差估计方法 |
CN104751420A (zh) * | 2015-03-06 | 2015-07-01 | 湖南大学 | 一种基于稀疏表示和多目标优化的盲复原方法 |
CN108399248A (zh) * | 2018-03-02 | 2018-08-14 | 郑州云海信息技术有限公司 | 一种时序数据预测方法、装置及设备 |
CN108898568A (zh) * | 2018-04-25 | 2018-11-27 | 西北大学 | 图像合成方法与装置 |
CN109035255A (zh) * | 2018-06-27 | 2018-12-18 | 东南大学 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
CN109410239A (zh) * | 2018-11-07 | 2019-03-01 | 南京大学 | 一种基于条件生成对抗网络的文本图像超分辨率重建方法 |
CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
CN109615582A (zh) * | 2018-11-30 | 2019-04-12 | 北京工业大学 | 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7092748B2 (en) * | 2000-02-18 | 2006-08-15 | Centro Nacional De Investigaciones Cientificas (Cnic) | System and method for the tomography of the primary electric current of the brain and of the heart |
US20160267349A1 (en) * | 2015-03-11 | 2016-09-15 | Microsoft Technology Licensing, Llc | Methods and systems for generating enhanced images using multi-frame processing |
-
2019
- 2019-04-30 CN CN201910363845.XA patent/CN110610458B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999010816A1 (es) * | 1997-08-22 | 1999-03-04 | Centro Nacional De Investigaciones Cientificas (Cnic) | Sistema y metodo para la tomografia de la corriente electrica primaria del cerebro y del corazon |
CN102084657A (zh) * | 2008-05-30 | 2011-06-01 | 日本胜利株式会社 | 动态图像编码装置、动态图像编码方法、动态图像编码程序、动态图像解码装置、动态图像解码方法、动态图像解码程序、动态图像再编码装置、动态图像再编码方法、动态图像再编码程序 |
CN103617607A (zh) * | 2013-11-28 | 2014-03-05 | 天津大学 | 一种单幅图像超分辨率重建方法 |
CN104616266A (zh) * | 2015-02-11 | 2015-05-13 | 张振军 | 一种基于广义自回归异方差模型的噪声方差估计方法 |
CN104751420A (zh) * | 2015-03-06 | 2015-07-01 | 湖南大学 | 一种基于稀疏表示和多目标优化的盲复原方法 |
CN108399248A (zh) * | 2018-03-02 | 2018-08-14 | 郑州云海信息技术有限公司 | 一种时序数据预测方法、装置及设备 |
CN108898568A (zh) * | 2018-04-25 | 2018-11-27 | 西北大学 | 图像合成方法与装置 |
CN109035255A (zh) * | 2018-06-27 | 2018-12-18 | 东南大学 | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 |
CN109410239A (zh) * | 2018-11-07 | 2019-03-01 | 南京大学 | 一种基于条件生成对抗网络的文本图像超分辨率重建方法 |
CN109615582A (zh) * | 2018-11-30 | 2019-04-12 | 北京工业大学 | 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法 |
CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
俭任G.生成对抗图像超分辨率Pohoto-Realistic Single Image Super-Resolution Using a Generative Adversarial(SRGAN).《https://blog.csdn.net/weixin_41798111/article/details/84979236》.2018,1-7. * |
梁浩.图像的自回归异方差建模及其在复原中的应用.《中国优秀硕士学位论文全文数据库》.2019,(第1期),I138-2570. * |
Also Published As
Publication number | Publication date |
---|---|
CN110610458A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610458B (zh) | 一种基于岭回归的gan图像增强交互处理方法及系统 | |
JP7415251B2 (ja) | 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 | |
Kim et al. | Fully deep blind image quality predictor | |
Guarnera et al. | Preliminary forensics analysis of deepfake images | |
CN108108751B (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
CN113191969A (zh) | 一种基于注意力对抗生成网络的无监督图像除雨方法 | |
JPWO2020062846A5 (zh) | ||
Anders et al. | Understanding patch-based learning of video data by explaining predictions | |
CN111091524A (zh) | 基于深度卷积神经网络的前列腺经直肠超声图像分割方法 | |
CN113723295A (zh) | 一种基于图像域频域双流网络的人脸伪造检测方法 | |
Hongmeng et al. | A detection method for deepfake hard compressed videos based on super-resolution reconstruction using CNN | |
Aljarrah | Effect of image degradation on performance of convolutional neural networks | |
Wang et al. | Eulerian motion based 3dcnn architecture for facial micro-expression recognition | |
Yang et al. | Learning to disentangle gan fingerprint for fake image attribution | |
Krishnan et al. | SwiftSRGAN-Rethinking super-resolution for efficient and real-time inference | |
Yu et al. | Deep forgery discriminator via image degradation analysis | |
Zhang et al. | An image denoising method based on BM4D and GAN in 3D shearlet domain | |
Lai et al. | Generative focused feedback residual networks for image steganalysis and hidden information reconstruction | |
CN112541566B (zh) | 一种基于重构损失的图像翻译方法 | |
Yan et al. | Joint image-to-image translation with denoising using enhanced generative adversarial networks | |
Singh et al. | GIMD-Net: An effective General-purpose Image Manipulation Detection Network, even under anti-forensic attacks | |
CN113592016B (zh) | 基于互信息增强的自监督新颖性检测方法 | |
Lou et al. | Black-box attack against GAN-generated image detector with contrastive perturbation | |
Huang et al. | Single image super-resolution reconstruction of enhanced loss function with multi-gpu training | |
CN115100128A (zh) | 一种基于伪影噪声的深度伪造检测方法 |
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 |