CN111192221B - 基于深度卷积生成对抗网络的铝电解火眼图像修补方法 - Google Patents
基于深度卷积生成对抗网络的铝电解火眼图像修补方法 Download PDFInfo
- Publication number
- CN111192221B CN111192221B CN202010012947.XA CN202010012947A CN111192221B CN 111192221 B CN111192221 B CN 111192221B CN 202010012947 A CN202010012947 A CN 202010012947A CN 111192221 B CN111192221 B CN 111192221B
- Authority
- CN
- China
- Prior art keywords
- image
- fire hole
- wasserstein
- model
- distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005868 electrolysis reaction Methods 0.000 title claims abstract description 20
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 16
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 17
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 4
- 229910052799 carbon Inorganic materials 0.000 abstract description 4
- 230000008439 repair process Effects 0.000 abstract description 4
- 239000002893 slag Substances 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000003042 antagnostic effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 239000003792 electrolyte Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G06T5/77—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Wasserstein深度卷积生成对抗网络的铝电解火眼图像修补方法。在实际铝电解过程中,电解过程中会有大量碳渣脱落,还有火焰的干扰,使得大量火眼图像无法识别,大大降低了图像识别的准确率。本发明公开一种DCGAN与WGAN方法结合的图像修补方法,其中包括两部分:首先是对图像做个简单的预处理,取以火眼为中心,边长为400像素的正方形的火眼图像,这样可以防止其余图像的干扰特征。其次,对于本发明模型,综合DCGAN和WGAN的特点,使用其相结合的模型—Wasserstein深度卷积生成对抗网络(W‑DCGAN)模型。利用卷积网络特征提取能力加上使用Wasserstein函数辅以训练,最后使用RMSProp优化算法优化损失函数,之后将训练好的W‑DCGAN中的生成器模型部分抽取出来,用于图像修补的新网络结构。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于Wasserstein深度卷积生成对抗网络的铝电解火眼图像修补方法。
背景技术
铝电解槽电解质的过热度是指电解质温度与初晶温度的差值,一般认为,过热度维持在8一12℃左右比较适宜,既能维持铝电解过程的正常进行,又保证较低的能源损耗。因此,在生产过程中对过热度的判断也是尤为重要。目前国内把过热度分为高,正常,低三类,维持一个良好的过热度能降低铝电解过程中的能源损耗。但是在实际的铝电解过程中,对过热度不好直接测量。
随着深度学习的兴起,我们发现可以利用深度学习对火眼图像进行处理,利用计算机视觉,对火眼中电解质运动视频进行采集分析,建立火眼视频视觉分析模型,对过热度进行分析,进而识别电解槽的过热度,拟达到减少耗能的同时又能增加铝电解的产量的目的。但是,电解过程中会有大量碳渣脱落,还有火焰的干扰,使得大量火眼图像无法识别,大大降低了识别的准确率。实际图像在形成、传输的过程中,由于各种干扰因素的存在会受到噪声的污染。
近几年来,数字图像处理技术已经成为计算机视觉领域的一个研究热点,图像修复是图像处理的重要组成部分,是对图像中的受损区域进行信息填充的过程,其目的是恢复受损的图像,并使观察者无法察觉图像曾经缺损或已被修复。图像修补技术,指用图像中的已知部分区域来填充修补图像中的受损区域,比如污点,遮掩等等。随着图像处理技术的日益成熟,数字图像的应用领域越来越广。
生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型,是lan Goodfellow在2014年提出的一个概念。生成对抗网络包括一个生成器(Generator,简称G)生成数据,一个判别器(Discriminator,简称D)来判别真实数据和生成数据。在训练时,生成网络G接收一个随机噪声z,通过这个噪声生成图片G(z),判别网络D来判断这张图片是不是真实数据。输入参数x,x表示一张图片,输出D(x)表示这张图片是真实图片的概率,输出值在0-1之间。生成器和判别器是一个对抗的关系,在训练过程中,两者是一个博弈的关系,生成网络尽量生成一个与真实图片相近的假图片去迷惑判别网络,而判别网络就是尽量把生成图片和真实图片分开来,两者一直对抗直到达到一个纳什均衡,生成器生成的数据与真实样本无差别,判别器也无法正确的区分生成数据和真实数据。图1是它的一个流程图。
但是训练GAN需要达到纳什均衡,有时候可以用梯度下降法做到,有时候却做不到,因为还没有找到一个稳定的可以达到纳什均衡的方法,所以训练GAN是不稳定的。所以在GAN网络的基础上改进,出现了更好的深度卷积生成对抗网络(Deep ConvolutionalGenerative Adversarial Network,DCGAN)和Wasserstein GAN(WGAN),本发明结合两者的特点建立Wasserstein深度卷积生成对抗网络(W-DCGAN)模型来进行火眼图像的修补。
发明内容
在实际铝电解过程中,电解过程中会有大量碳渣脱落,还有火焰的干扰,使得大量火眼图像无法识别,大大降低了图像识别的准确率。
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明公开了一种
一种基于Wasserstein深度卷积生成对抗网络的铝电解火眼图像修补方法,其特征在于,所述方法包括:
步骤1,对图像进行预处理:提取以火眼中心为中心,边长为400p的正方形的火眼图像;
步骤2,使用Wasserstein距离定义为生成器的loss;
步骤3,优化算法改为RMSProp优化算法;
步骤4,根据提取W-DCGAN生成模型进行图像修补。
更进一步地,所述步骤1进一步包括:只取以火眼中心为中心,边长为400p的正方形的火眼图像,由于图像是二值图,可以直接获取到火眼部分的图像左下角(xl,yl)和右上角的坐标(xr,yr);然后根据公式(xc,yc)=((xl+xr)/2,(yl+yr)/2)可获得火眼中心坐标,最后提取图像的左下角坐标和右上角坐标为(xl-100,yl-100),(xl+100,yl+100)。
更进一步地,所述步骤2进一步包括:
Wasserstein距离(Earth-Mover(EM)距离),定义如下:
其中,Π(Pr,Pg)是Pr和Pg组合起来的所有可能的联合分布的集合,Π(Pr,Pg)中每一个分布的边缘分布都是Pr和Pg,对于每一个可能的联合分布γ而言,从中采样(x,y)~γ得到一个真实样本x和一个生成样本y,并算出这对样本的距离||x-y||,计算该联合分布γ下样本对距离的期望值E(x,y)~γ[||x-y||];在所有可能的联合分布中能够对这个期望值取到的下界定义为Wasserstein距离,
然后,把Wasserstein函数定义为生成器的loss,但是Wasserstein距离定义中的没法直接求解,转化为如下形式:
其中,在一个连续函数f上面额外施加了一个限制,要求存在一个常数K≥0使得定义域内的任意两个元素x1和x2都满足:|f(x1)-f(x2)|≤K|x1-x2|,此时函数f的Lipschitz常数为K,要求函数f的Lipschitz常数||f||L不超过K的条件下,对所有可能满足条件的f取到的上界,然后再除以K;此时下式可以近似变为:
而f可以用一个带参数ω的神经网络来表示,同时满足下式中||fω||L≤K这个限制,再构造一个含参数ω、最后一层不是非线性激活层的判别器网络fω,在限制ω不超过某个范围的条件下,使得:
此时L就会近似真实分布与生成分布之间的Wasserstein距离,其数值越小,表示真实分布与生成分布的Wasserstein距离越小,模型训练得越好。
更进一步地,所述步骤3进一步包括:所述RMSProp优化算法对梯度计算了微分平方加权平均数,有利于消除了摆动幅度大的方向,用来修正摆动幅度,使得各个维度的摆动幅度都较小。
更进一步地,所述步骤4进一步包括:使用W-DCGAN在Chars74K公共数据集上进行训练,实验收敛后提取本方法的生成模型,再将火眼图像当做训练集微调生成模型的参数。
与现有技术相比,本发明有益效果为:本发明公开一种DCGAN与WGAN方法结合的图像修补方法,其中包括两部分:首先是对图像做个简单的预处理,取以火眼为中心,边长为400像素的正方形的火眼图像,这样可以防止其余图像的干扰特征。其次,对于本发明模型,综合DCGAN和WGAN的特点,使用其相结合的模型—Wasserstein深度卷积生成对抗网络(W-DCGAN)模型。利用卷积网络特征提取能力加上使用Wasserstein函数辅以训练,最后使用RMSProp优化算法优化损失函数,之后将训练好的W-DCGAN中的生成器模型部分抽取出来,用于图像修补的新网络结构。以此解决在实际铝电解过程中,电解过程中会有大量碳渣脱落,还有火焰的干扰,使得大量火眼图像无法识别的问题。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在图中,在不同的视图中,相同的附图标记指定对应的部分。
图1为本发明一实施例中的GAN的流程图;
图2为本发明的基于深度卷积生成对抗网络的铝电解火眼图像修补方法的流程图;
图3为本发明一实施例中生成器模型结构图;
图4为本发明一实施例中判别器模型结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本发明是一种针对被遮挡火眼图像的修补方法。
一、火眼图像简单预处理
为了解决图像形状不同带来的影响,只取以火眼中心为中心,边长为400p的正方形的火眼图像,由于图像是二值图,可以直接获取到火眼部分的图像左下角(xl,yl)和右上角的坐标(xr,yr)。然后根据公式
(xc,yc)=((xl+xr)/2,(yl+yr)/2)可获得火眼中心坐标,最后提取图像的左下角坐标和右上角坐标为(xl-100,yl-100),(xl+100,yl+100)。
二、使用Wasserstein距离定义为生成器的loss。
Wasserstein距离又叫Earth-Mover(EM)距离,定义如下:
Π(Pr,Pg)是Pr和Pg组合起来的所有可能的联合分布的集合,反过来说,Π(Pr,Pg)中每一个分布的边缘分布都是Pr和Pg。对于每一个可能的联合分布γ而言,可以从中采样(x,y)~γ得到一个真实样本x和一个生成样本y,并算出这对样本的距离||x-y||,所以可以计算该联合分布γ下样本对距离的期望值E(x,y)~γ[||x-y||]。在所有可能的联合分布中能够对这个期望值取到的下界定义为Wasserstein距离。
这里把Wasserstein函数定义为生成器的loss,但是Wasserstein距离定义中的没法直接求解,所以我们把它转化为如下形式:
Lipschitz连续:它其实就是在一个连续函数f上面额外施加了一个限制,要求存在一个常数K≥0使得定义域内的任意两个元素x1和x2都满足:|f(x1)-f(x2)|≤K|x1-x2|,此时称函数f的Lipschitz常数为K。公式的意思是要求函数f的Lipschitz常数||f||L不超过K的条件下,对所有可能满足条件的f取到的上界,然后再除以K。此时下式可以近似变为:
而f可以用一个带参数w的神经网络来表示,同时满足下式中||fw||L≤K这个限制。我们可以构造一个含参数w、最后一层不是非线性激活层的判别器网络fw,在限制w不超过某个范围的条件下,使得:
此时L就会近似真实分布与生成分布之间的Wasserstein距离,其数值越小,表示真实分布与生成分布的Wasserstein距离越小,模型训练得越好。
三、优化算法改为RMSProp优化算法
本方法不推荐使用基于动量的优化算法(如:Adam),如果使用Adam,判别器的loss有时候会崩掉,当它崩掉时,Adam给出的更新方向与梯度方向夹角的cos值就变成负数,更新方向与梯度方向南辕北辙,这意味着判别器的loss梯度是不稳定的,所以不适合用Adam这类基于动量的优化算法。所以本文在这使用的是RMSProp优化算法,因为RMSProp算法适合梯度不稳定的情况。
RMSProp算法对梯度计算了微分平方加权平均数。这种做法有利于消除了摆动幅度大的方向,用来修正摆动幅度,使得各个维度的摆动幅度都较小。另一方面也使得网络函数收敛更快。如算法1所示。
四、提取W-DCGAN生成模型进行图像修补
使用本发明提出的方法W-DCGAN在Chars74K公共数据集上进行训练,实验收敛后提取本方法的生成模型,再将火眼图像当做训练集微调生成模型的参数,这样可以加快模型收敛,最后对比实验效果。
本发明提出了一种基于Wasserstein深度卷积生成对抗网络的铝电解火眼图像修补方法。通过结合DCGAN和WGAN两者的特点,并对两者结合模型进行改善,利用卷积网络特征提取能力加上使用Wasserstein函数辅以训练,最后使用RMSProp优化算法优化损失函数。之后将训练好的W-DCGAN中的生成器模型部分抽取出来,用于图像修补的新网络结构,可以有效地修补被遮挡的火眼图像。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。因此,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (3)
1.一种基于Wasserstein深度卷积生成对抗网络的铝电解火眼图像修补方法,其特征在于,所述方法包括:
步骤1,对图像进行预处理:提取以火眼中心为中心,边长为400像素的正方形的火眼图像;
步骤2,使用Wasserstein距离定义为生成器的loss;所述步骤2进一步包括:Wasserstein距离,定义如下:
其中,Π(Pr,Pg)是Pr和Pg组合起来的所有可能的联合分布的集合,Π(Pr,Pg)中每一个分布的边缘分布都是Pr和Pg,对于每一个可能的联合分布γ而言,从中采样(x,y)~γ得到一个真实样本x和一个生成样本y,并算出这对样本的距离||x-y||,计算该联合分布γ下样本对距离的期望值E(x,y)~γ[||x-y||];在所有可能的联合分布中能够对这个期望值取到的下界定义为Wasserstein距离,
然后,把Wasserstein函数定义为生成器的loss,但是Wasserstein距离定义中的没法直接求解,转化为如下形式:
其中,在一个连续函数f上面额外施加了一个限制,要求存在一个常数K≥0使得定义域内的任意两个元素x1和x2都满足:|f(x1)-f(x2)|≤K|x1-x2|,此时函数f的Lipschitz常数为K,要求函数f的Lipschitz常数||f||L不超过K的条件下,对所有可能满足条件的f取到的上界,然后再除以K;此时下式可以近似变为:
而f可以用一个带参数ω的神经网络来表示,同时满足下式中||fω||L≤K这个限制,再构造一个含参数ω、最后一层不是非线性激活层的判别器网络fω,在限制ω不超过某个范围的条件下,使得:
此时L就会近似真实分布与生成分布之间的Wasserstein距离,其数值越小,表示真实分布与生成分布的Wasserstein距离越小,模型训练得越好;
步骤3,优化算法改为RMSProp优化算法;
步骤4,根据提取W-DCGAN生成模型进行图像修补;所述步骤4进一步包括:使用W-DCGAN在Chars74K公共数据集上进行训练,实验收敛后提取本方法的生成模型,再将火眼图像当做训练集微调生成模型的参数。
2.如权利要求1所述的方法,其特征在于,所述步骤1进一步包括:只取以火眼中心为中心,边长为400像素的正方形的火眼图像,由于图像是二值图,可以直接获取到火眼部分的图像左下角(xl,yl)和右上角的坐标(xr,yr);然后根据公式(xc,yc)=((xl+xr)/2,(yl+yr)/2)可获得火眼中心坐标,最后提取图像的左下角坐标和右上角坐标为(xl-100,yl-100),(xl+100,yl+100)。
3.如权利要求1所述的方法,其特征在于,所述步骤3进一步包括:所述RMSProp优化算法对梯度计算了微分平方加权平均数,用来修正摆动幅度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010012947.XA CN111192221B (zh) | 2020-01-07 | 2020-01-07 | 基于深度卷积生成对抗网络的铝电解火眼图像修补方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010012947.XA CN111192221B (zh) | 2020-01-07 | 2020-01-07 | 基于深度卷积生成对抗网络的铝电解火眼图像修补方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111192221A CN111192221A (zh) | 2020-05-22 |
CN111192221B true CN111192221B (zh) | 2024-04-16 |
Family
ID=70709834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010012947.XA Active CN111192221B (zh) | 2020-01-07 | 2020-01-07 | 基于深度卷积生成对抗网络的铝电解火眼图像修补方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192221B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2180598A1 (en) * | 1995-07-07 | 1997-01-08 | Yuji Yamamoto | Refrigerant tubes for heat exchangers |
CN101777131A (zh) * | 2010-02-05 | 2010-07-14 | 西安电子科技大学 | 双模人脸识别方法及装置 |
CN102141838A (zh) * | 2010-01-29 | 2011-08-03 | 微软公司 | 基于视觉的身份跟踪 |
CN107248157A (zh) * | 2017-06-30 | 2017-10-13 | 中南大学 | 一种铝电解槽自动看火的方法及其装置 |
CN107292336A (zh) * | 2017-06-12 | 2017-10-24 | 西安电子科技大学 | 一种基于dcgan的极化sar图像分类方法 |
CN107392312A (zh) * | 2017-06-01 | 2017-11-24 | 华南理工大学 | 一种基于dcgan性能的动态调整算法 |
CN107590532A (zh) * | 2017-08-14 | 2018-01-16 | 华南理工大学 | 一种基于wgan的超参数动态调整方法 |
CN107590518A (zh) * | 2017-08-14 | 2018-01-16 | 华南理工大学 | 一种多特征学习的对抗网络训练方法 |
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN108009568A (zh) * | 2017-11-14 | 2018-05-08 | 华南理工大学 | 一种基于wgan模型的行人检测方法 |
US10032256B1 (en) * | 2016-11-18 | 2018-07-24 | The Florida State University Research Foundation, Inc. | System and method for image processing using automatically estimated tuning parameters |
CN108509964A (zh) * | 2017-02-27 | 2018-09-07 | 顾泽苍 | 一种穿越欧几里德空间与概率空间的距离的获得方法 |
JP2018142326A (ja) * | 2017-02-27 | 2018-09-13 | 澤蒼 顧 | 異なる空間におけるファジィ事象確率測度のモデルの構築方法、その装置、及びそのプログラム、及びそのブログラムが搭載された汎用モバイル端末装置 |
CN108573479A (zh) * | 2018-04-16 | 2018-09-25 | 西安电子科技大学 | 基于对偶生成对抗式网络的人脸图像去模糊和恢复方法 |
CN109002686A (zh) * | 2018-04-26 | 2018-12-14 | 浙江工业大学 | 一种自动生成样本的多牌号化工过程软测量建模方法 |
CN109635748A (zh) * | 2018-12-14 | 2019-04-16 | 中国公路工程咨询集团有限公司 | 高分辨率影像中道路特征的提取方法 |
CN109697433A (zh) * | 2019-01-02 | 2019-04-30 | 中南大学 | 一种基于3d卷积神经网络的铝电解槽过热度状态识别方法及系统 |
JP2019087181A (ja) * | 2017-11-10 | 2019-06-06 | アズビル株式会社 | 画像検査装置および方法 |
CN110070124A (zh) * | 2019-04-15 | 2019-07-30 | 广州小鹏汽车科技有限公司 | 一种基于生成式对抗网络的图像扩增方法及系统 |
CN110321957A (zh) * | 2019-07-05 | 2019-10-11 | 重庆大学 | 融合三元组损失和生成对抗网络的多标签图像检索方法 |
CN110570366A (zh) * | 2019-08-16 | 2019-12-13 | 西安理工大学 | 基于双判别深度卷积生成式对抗网络的图像修复方法 |
CN110570353A (zh) * | 2019-08-27 | 2019-12-13 | 天津大学 | 密集连接生成对抗网络单幅图像超分辨率重建方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10624558B2 (en) * | 2017-08-10 | 2020-04-21 | Siemens Healthcare Gmbh | Protocol independent image processing with adversarial networks |
US10698063B2 (en) * | 2017-11-01 | 2020-06-30 | Siemens Healthcare Gmbh | Motion artifact reduction of magnetic resonance images with an adversarial trained network |
US11501438B2 (en) * | 2018-04-26 | 2022-11-15 | Elekta, Inc. | Cone-beam CT image enhancement using generative adversarial networks |
US10755391B2 (en) * | 2018-05-15 | 2020-08-25 | Adobe Inc. | Digital image completion by learning generation and patch matching jointly |
-
2020
- 2020-01-07 CN CN202010012947.XA patent/CN111192221B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2180598A1 (en) * | 1995-07-07 | 1997-01-08 | Yuji Yamamoto | Refrigerant tubes for heat exchangers |
CN102141838A (zh) * | 2010-01-29 | 2011-08-03 | 微软公司 | 基于视觉的身份跟踪 |
CN101777131A (zh) * | 2010-02-05 | 2010-07-14 | 西安电子科技大学 | 双模人脸识别方法及装置 |
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
US10032256B1 (en) * | 2016-11-18 | 2018-07-24 | The Florida State University Research Foundation, Inc. | System and method for image processing using automatically estimated tuning parameters |
JP2018142326A (ja) * | 2017-02-27 | 2018-09-13 | 澤蒼 顧 | 異なる空間におけるファジィ事象確率測度のモデルの構築方法、その装置、及びそのプログラム、及びそのブログラムが搭載された汎用モバイル端末装置 |
CN108509964A (zh) * | 2017-02-27 | 2018-09-07 | 顾泽苍 | 一种穿越欧几里德空间与概率空间的距离的获得方法 |
CN107392312A (zh) * | 2017-06-01 | 2017-11-24 | 华南理工大学 | 一种基于dcgan性能的动态调整算法 |
CN107292336A (zh) * | 2017-06-12 | 2017-10-24 | 西安电子科技大学 | 一种基于dcgan的极化sar图像分类方法 |
CN107248157A (zh) * | 2017-06-30 | 2017-10-13 | 中南大学 | 一种铝电解槽自动看火的方法及其装置 |
CN107590518A (zh) * | 2017-08-14 | 2018-01-16 | 华南理工大学 | 一种多特征学习的对抗网络训练方法 |
CN107590532A (zh) * | 2017-08-14 | 2018-01-16 | 华南理工大学 | 一种基于wgan的超参数动态调整方法 |
JP2019087181A (ja) * | 2017-11-10 | 2019-06-06 | アズビル株式会社 | 画像検査装置および方法 |
CN108009568A (zh) * | 2017-11-14 | 2018-05-08 | 华南理工大学 | 一种基于wgan模型的行人检测方法 |
CN108573479A (zh) * | 2018-04-16 | 2018-09-25 | 西安电子科技大学 | 基于对偶生成对抗式网络的人脸图像去模糊和恢复方法 |
CN109002686A (zh) * | 2018-04-26 | 2018-12-14 | 浙江工业大学 | 一种自动生成样本的多牌号化工过程软测量建模方法 |
CN109635748A (zh) * | 2018-12-14 | 2019-04-16 | 中国公路工程咨询集团有限公司 | 高分辨率影像中道路特征的提取方法 |
CN109697433A (zh) * | 2019-01-02 | 2019-04-30 | 中南大学 | 一种基于3d卷积神经网络的铝电解槽过热度状态识别方法及系统 |
CN110070124A (zh) * | 2019-04-15 | 2019-07-30 | 广州小鹏汽车科技有限公司 | 一种基于生成式对抗网络的图像扩增方法及系统 |
CN110321957A (zh) * | 2019-07-05 | 2019-10-11 | 重庆大学 | 融合三元组损失和生成对抗网络的多标签图像检索方法 |
CN110570366A (zh) * | 2019-08-16 | 2019-12-13 | 西安理工大学 | 基于双判别深度卷积生成式对抗网络的图像修复方法 |
CN110570353A (zh) * | 2019-08-27 | 2019-12-13 | 天津大学 | 密集连接生成对抗网络单幅图像超分辨率重建方法 |
Non-Patent Citations (11)
Title |
---|
A Soft Sensing Prediction Model of Superheat Degree in the Aluminum Electrolysis Production;Hong Yu;2018 IEEE International Conference on Big Data (Big Data);全文 * |
WDS:基于词向量的文本相似函数;王路琪;龙军;袁鑫攀;;计算机科学(第S2期);全文 * |
一种基于生成对抗网络的图像修复算法;李天成;何嘉;;计算机应用与软件(第12期);全文 * |
基于Wasserstein直方图欧氏度量的图像重复区域盲检测算法;杜振龙;叶超;李晓丽;沈海洋;宋国美;;光学与光电技术;20181210(第06期);全文 * |
基于级联生成对抗网络的人脸图像修复;陈俊周;王娟;龚勋;;电子科技大学学报;20191130(第06期);全文 * |
杨吉森.一种铝电解过热度软测量预测模型.2017中国自动化大会(CAC 2017).2017,全文. * |
桂卫华.铝电解生产智能优化制造研究综述.自动化学报.2018,第44卷(第11期),全文. * |
流程工业知识自动化及其在铝电解生产中的应用;桂卫华;控制理论与应用;第35卷(第7期);全文 * |
生成对抗网络理论模型和应用综述;徐一峰;;金华职业技术学院学报(第03期);全文 * |
连续碳酸化分解过程分解率的预测模型;袁湘环;谢永芳;;计算机测量与控制(第04期);全文 * |
铝电解生产智能优化制造研究综述;桂卫华;自动化学报;第44卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111192221A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165735B (zh) | 基于生成对抗网络与自适应比例生成样本图片的方法 | |
CN102298774B (zh) | 基于联合相似性的非局部均值去噪方法 | |
CN111967592B (zh) | 基于分离正负扰动生成对抗图像机器识别的方法 | |
CN110895795A (zh) | 改进的语义图像修补模型方法 | |
CN116110100B (zh) | 一种人脸识别方法、装置、计算机设备及存储介质 | |
US20210390667A1 (en) | Model generation | |
CN111192206A (zh) | 一种提高图像清晰度的方法 | |
CN110889797B (zh) | 基于对抗样本生成的深度自适应图像隐藏方法 | |
CN112329832A (zh) | 一种基于深度卷积生成对抗网络的无源定位目标轨迹数据增强方法及系统 | |
CN111192221B (zh) | 基于深度卷积生成对抗网络的铝电解火眼图像修补方法 | |
CN109978804A (zh) | 基于深度学习的人眼视线矫正方法及系统 | |
Arora et al. | Augmentation of Images through DCGANs | |
CN107657229B (zh) | 一种基于内容分类的视频模糊度检测人眼视觉修正方法 | |
CN114821174B (zh) | 一种基于内容感知的输电线路航拍图像数据清洗方法 | |
CN116246126A (zh) | 迭代无监督域自适应方法和装置 | |
CN113362296B (zh) | 一种隧道裂缝提取方法及系统 | |
CN115510986A (zh) | 一种基于AdvGAN的对抗样本生成方法 | |
CN115131590A (zh) | 目标检测模型的训练方法、目标检测方法及相关设备 | |
CN114359653A (zh) | 基于强化型通用补丁的对抗攻击方法、防御方法及装置 | |
CN110930519B (zh) | 基于环境理解的语义orb-slam感知方法及装置 | |
CN108875630B (zh) | 一种基于视频的雨天环境下移动目标检测方法 | |
CN102222340A (zh) | 前景检测方法及系统 | |
CN111382834B (zh) | 一种置信度比较方法及装置 | |
CN111223112A (zh) | 基于图像均值漂移和水平集方法的图像分割方法 | |
CN111311527A (zh) | 基于内容感知生成模型的图像修复方法 |
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 |