CN112767344A - 一种基于车载摄像的耦合传统和机器学习的病害增强方法 - Google Patents
一种基于车载摄像的耦合传统和机器学习的病害增强方法 Download PDFInfo
- Publication number
- CN112767344A CN112767344A CN202110058759.5A CN202110058759A CN112767344A CN 112767344 A CN112767344 A CN 112767344A CN 202110058759 A CN202110058759 A CN 202110058759A CN 112767344 A CN112767344 A CN 112767344A
- Authority
- CN
- China
- Prior art keywords
- picture
- disease
- layer
- size
- multiplied
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 61
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 230000008878 coupling Effects 0.000 title claims abstract description 8
- 238000010168 coupling process Methods 0.000 title claims abstract description 8
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 8
- 238000005520 cutting process Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20172—Image enhancement details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于车载摄像的耦合传统和机器学习的病害增强方法,结合传统方法、卷积自编码器以及对抗生成网络对数据进行扩增,以达到数据增强的效果。使用人工方法对原始路面图片进行分类、批量裁剪以及数据集制作。本发明先对行车记录仪拍摄的道路图片进行传统方法数据增强,在此基础上采用卷积自编码重构图片,最后一起输入到对抗生成网络模型,进一步学习病害特征,使得图片样本病害特征相对更加明显,更易被机器识别,有助于提高模型的泛化能力,减少过拟合。此外,本发明不仅可以节约人工和时间成本,还可以为后续的病害识别、分类奠定基础。
Description
技术领域
本发明属于图像处理领域,涉及一种基于车载摄像的耦合传统和机器学习的病害增强方法。本发明应用于道路病害图片数据增强。
背景技术
近二十年来,我国公路网已经逐步建设成型,未来的公路基建局势已经从“建设”渐渐转化为“养护”。裂缝、坑槽等病害在一定程度上影响行车的安全性和舒适性,因此,及时、快速检测和提取病害信息是最重要的部分之一。
由于缺少足够的基础理论和技术支撑,目前大部分的病害识别工作都需要大量的人工和成本,通过现场检查或基于路面病害现场照片进行人工识别,难以满足现代化智能路面检测的需要。受益于人工智能技术的发展,机器学习方法被逐渐应用于路面病害识别领域,能够相对快速高效地识别道路病害图片,节约时间,降低成本。
目前基于深度学习的路面病害识别经常面临训练数据集小,以及路面图片标注人工成本高等问题,数据增强可以带来可观的性能提升,提高准确性和稳定性,并减少过度拟合。
因此,本发明提出了一种基于车载摄像的耦合传统和机器学习的病害增强方法。本发明首先运用常规图片几何变换将行车记录仪拍摄的路面病害图片进行扩增,再经过卷积自编码器重构,最后将原始数据和扩增的图片一起用对抗生成网络进行训练,从而生成新的高质量路面病害图片,以扩充样本数量,为之后的路面病害识别工作奠定基础。
发明内容
本发明的目的在于通过一种基于车载摄像的耦合传统和机器学习的病害增强方法,对道路病害及其他路面对象进行识别和数据增强,使得病害特征相对更加明显,且样本数据量得到提升。
一、卷积自编码器
本发明采用的卷积自编码器(Convolutional Autoencoder,CAE)将卷积神经网络结构融入自编码器中,用卷积和池化操作代替编码器中的全连接层以及用反卷积和上采样操作代替解码器中的全连接层,从而较好的保留路面病害图片特征信息。自编码器由两部分组成:编码器和解码器,如图1所示。编码器将输入的路面病害图片压缩为潜在空间表征,将高维数据压缩为低维数据;解码器将空间表征重构为输出,生成新的路面病害图片。
二、深度卷积对抗生成网络
本发明采用的深度卷积对抗生成网络模型使用了卷积神经网络来替代对抗生成网络中的多层感知机,在原始的对抗生成网络模型的基础上进行以下改进:(1)以反卷积代替池化操作;(2)添加了批标准化的操作,以稳定学习训练过程;(3)以全局平均池化代替全连接层;(4)除生成器的输出层使用Tanh激活函数之外其他层使用ReLU激活函数,判别器的所有层采用LeakyReLU激活函数。
本发明采用的对抗生成网络包括两部分结构,即生成器和判别器。两者组成互相博弈的双方,经过不断迭代更新,学习病害特征,使得生成器具有良好的生成路面病害图片的能力,判别器具有良好的鉴别图片真假能力,如图2所示。
本发明采用的技术方案为一种基于车载摄像的耦合传统和机器学习的病害增强方法,包括原始图像预处理、传统方法数据增强、数据集制作、卷积自编码图片重构和对抗生成网络数据增强五大部分,如图3所示,具体步骤如下:
步骤一:原始照片预处理;
首先,将行车记录仪拍摄的路面图片进行分类,分为有病害、无病害两类。
其次,根据行车记录仪摄像范围,选取合适的位置进行批量裁剪,并调整路面图片的大小,以防路面图片过大难以训练。
步骤二:传统方法数据增强;
第一步,将裁剪缩放后的每张路面图片进行镜像变换,扩大两倍图集,然后经过亮度、对比度的调整,再次扩大数倍路面病害图集。
步骤三:数据集制作;
把路面病害图片集按照训练集、验证集和测试集比例约为10:1:1进行划分。
步骤四:卷积自编码图片重构;
卷积自编码网络由2层编码层和2层解码层构成。编码层的卷积核尺寸均为3×3,个数分别为16、8,每层均使用ReLU激活函数,后接一个大小为2、步幅为2的最大池化层。解码层的卷积核尺寸均为3×3,个数分别为8、16,每层经过ReLU激活函数后,再经过一个步幅为2的上采样层(UpSampling)。最后经过输出层,在输出层仍采用尺寸为3×3的卷积核,个数为1,并且当输入小于0时,ReLU激活函数的输出值为0,采用sigmoid激活函数,最终获得尺寸为320×160×1的重构后的路面病害图片。将原始数据集和重构后的路面病害图片一起作为对抗生成网络的输入。
步骤五:对抗生成网络数据增强;
深度卷积对抗生成网络由生成器和判别器两部分构成。生成器随机获取100维向量作为输入,首先重构为1024张10×20的特征图,后接四个大小为5×5,步长为2的反卷积层。生成新的虚假路面病害图片,随后输入判别器。判别器采用四个大小为5×5,步长为2的卷积层,后接全局平均池化层;最后,输出该路面病害图片预测为真/假图片的概率及预测结果。
本发明可以利用行车记录仪自动化获取的路面图片,通过传统数据增强和机器学习方法,生成新的高质量路面病害图片,使得病害特征更加明显,同时扩充样本数量,提高病害识别模型的准确性和稳定性,并减少过度拟合。此外,利用本发明可以有效减少人工成本和时间损耗,经过处理的数据可以为后续病害分类、识别模型的训练奠定基础。
附图说明
图1为自编码器网络结构示意图
图2为对抗生成网络算法流程示意图
图3为方法实施步骤图
图4为图像集中两种分类图片:(a)无病害(b)有病害
图5为批量剪裁、缩放示意图
图6为传统方法数据增强结果
图7为卷积自编码模型架构
图8为深度卷积对抗生成网络生成器框架示意图
图9为深度卷积对抗生成网络判别器框架示意图
具体实施方式
本发明所采用的原始路面病害图像数据集为行车记录仪拍摄的图像。具体实施步骤如下:
(1)人工分类
数据集的规模和分类特征的一致性会对网络预测精度造成很大影响。因此,将行车记录仪拍摄到的每张路面图片进行分类和筛选,共得到有病害和无病害两类图片,如图4所示。
(2)批量裁剪
基于行车记录仪拍摄的图像不仅有路面,还有行人、车辆、树木等其他特征,为了既能够不破坏路面裂缝等分类特征,又尽可能的降低图像尺寸过大带来的难以训练问题,将行车记录仪采集到的原始路面图片进行批量剪裁,并缩小至一定规模。首先,选取合适的位置批量裁剪为560*280大小,尽可能排除裂缝等病害以外的其他特征,如图5(a);然后,对其进行缩放,得到320×160像素的子图像,如图5(b)所示。
(3)传统方法进行数据增强
本发明采用两种传统手段进行路面病害图片数据增强:镜像和旋转。首先,将每张路面图片进行上下、左右镜像。然后,选择合适的参数,调整图片亮度、对比度。故图像集经过增强后,相当于将原图像集的规模增至9倍。如图6。
(4)数据集制作
为满足监督学习的需要,将路面病害数据集按照训练集、验证集和测试集比例约为10:1:1进行划分。
(5)卷积自编码图片重构
本发明采用的卷积自编码利用其编码器结构对路面原始图像进行数据降维并得到图片的特征空间;利用其解码器结构将图片重构,获得新的路面病害图片。该发明将卷积神经网络结构融入自编码器中,用卷积和池化操作代替编码器中的全连接层以及用反卷积和上采样操作代替解码器中的全连接层,从而较好的保留路面病害图片特征信息,提高病害识别模型鲁棒性。
卷积自编码网络由2层编码层和2层解码层构成。编码层的卷积核尺寸均为3×3,个数分别为16、8,每层均使用ReLU激活函数,后接一个大小为2、步幅为2的最大池化层。此时,编码器已学得路面病害图片特征,表示在尺寸为80×40×8特征图中,随后在解码器中进行路面病害图片重构。解码层的卷积核尺寸均为3×3,个数分别为8、16,每层经过ReLU激活函数后,再经过一个步幅为2的上采样层(UpSampling)。此时,路面病害特征图尺寸还原为320×160×16,最后经过输出层,在输出层仍采用尺寸为3×3的卷积核,个数为1,并且当输入小于0时,ReLU激活函数的输出值为0,采用sigmoid激活函数,最终获得尺寸为320×160×1的路面病害图片。将原始数据集和重构后的路面病害图片一起作为对抗生成网络的输入。最终架构如图7所示。
本发明使用的ReLU、sigmoid函数表示如下:
在卷积自编码器对路面病害图片的训练过程中,编码器和解码器共同训练,优化目标为最小化重构误差。以自适应学习率调整算法Adadelta(Adaptive Learning RateMethod)作为反向传播过程中梯度下降的优化算法,该算法的优势在于能够自适应调整梯度下降时的学习速率,而不需要手动设置。
(6)对抗生成网络数据增强
本发明采用的深度卷积对抗生成网络模型由生成器和判别器两部分构成,使用反卷积层来替换池化层,在生成器和判别器中使用批标准化的操作来稳定学习训练过程。同时,去除深度架构中的全连接层。生成器中,除去最后一层使用Tanh之外,每一层都使用ReLU函数来激活;判别器中,所有层都采用LeakReLU激活函数。
本发明的生成器框架示意图如图8。生成器随机获取100维向量作为输入,首先重构为1024张10×20的特征图,然后采用四个大小为5×5,步长为2的反卷积层。此时生成器生成大小为320×160的虚假路面病害图片,随后输入判别器。判别器采用四个大小为5×5,步长为2的卷积层,后接全局平均池化层。最后,输出该路面病害图片预测为真/假图片的概率及预测结果,判别器网络如图9所示。本发明使用的LeakyReLU以及Tanh函数表示如下:
对于学习方法,使用Adam方法对模型参数进行优化,Adam方法是一种简单、计算效率高的随机目标函数梯度优化算法。该方法在处理稀疏梯度和处理非平稳目标方面具有两个优势。由于Adam可以很好地适用于广泛的非凸优化问题,所以在本发明中使用了它。
Adam保持过去的平均平方梯度vt在指数衰减的趋势。它也有一个指数衰减趋势的过去梯度mt的平均值,并在误差面有一个平坦的最小值的偏好。然后,计算过去的衰减平均值和过去的平方梯度mt和vt相应地如下:
mt=β1mt-1+(1-β1)gt (5)
其中mt和vt分别是梯度的第一阶矩(均值)和第二阶矩(无中心方差)的估计值。该算法保持图像矩阵随机梯度下降保持单一的学习率,更新对抗生成网络中的所有权重。
由于mt和vt初始化为0的向量,它们偏向于0,这些偏向可以计算为:
然后使用这些t并更新参数为:
β1默认值为0.9,β2的默认值为0.999,∈的默认值为10-8。每个epoch是神经网络训练一次遍历整个数据集的全过程,包括向前和向后。在本发明中学习率为0.0002。
经观测,随着迭代次数的增加,路面病害特征逐渐清晰,训练2000代后,所使用的对抗生成网络已经能够生成较为逼真的图片。
Claims (3)
1.一种基于车载摄像的耦合传统和机器学习的病害增强方法,其特征在于:利用行车记录仪自动化获取道路图片,并结合传统方法和机器学习方法进行数据增强,具体步骤如下:
步骤一:原始照片预处理;
首先,将行车记录仪拍摄的道路图片分为有、无病害两种类别;其次,选取合适的位置进行批量裁剪并缩放至合适的大小;
步骤二:数据增强;
将裁剪缩放后的每张路面图片进行上下、左右翻转变换,扩大两倍图集,然后经过亮度、对比度的调整,再次扩大数倍路面病害图集;
步骤三:数据集制作;
把路面病害图片集按照训练集、验证集和测试集比例约为10:1:1进行划分;
步骤四:CAE图片重构;
CAE网络由2层编码层和2层解码层构成;编码层1的卷积核尺寸为3×3、个数为16,使用ReLU激活函数,后接一个步幅为2的最大池化层;编码层2的卷积核尺寸为3×3、个数为32,同样以ReLU作为激活函数,再次经过一个步幅为2的最大池化层;此时,编码器已学得图片特征,表示在尺寸为80×40×8特征图中,随后在解码器中进行图片重构;解码层1的卷积核尺寸为3×3、个数为8,经过ReLU激活函数后,经过一个步幅为2的上采样层(UpSampling);解码层2的卷积核尺寸为3×3、个数为16,同样经过ReLU激活函数后,经过一个步幅为2的上采样层;此时,特征图尺寸还原为320×160×16,后经过输出层;在输出层仍采用尺寸为3×3的卷积核,个数为1,并且当输入小于0时,ReLU激活函数的输出值为0,采用sigmoid激活函数,最终获得尺寸为320×160×1的路面图片;将原始图片、扩增和重构后的图片一起作对抗生成网络的输入;
步骤五:对抗生成网络数据增强;
深度卷积对抗生成网络由生成器和判别器两部分构成;生成器随机获取100维向量作为输入,首先重构为1024张10×20的特征图,后接四个大小为5×5,步长为2的反卷积层;此时生成器生成大小为320×160的虚假路面图片,随后输入判别器;判别器采用四个大小为5×5,步长为2的卷积层,后接全局平均池化层;最后,输出该图片预测为真/假图片的概率及预测结果。
2.根据权利要求1所述的一种基于车载摄像的耦合传统和机器学习的病害增强方法,其特征在于,在传统方法对原始道路图片进行数据增强的基础上,先利用卷积自编码器重构图片,再输入对抗生成网络,能够更好的学习病害特征,生成高质量图片。
3.根据权利要求1所述的一种基于车载摄像的耦合传统和机器学习的病害增强方法,其特征在于,采用深度卷积对抗生成网络模型在原始模型进行以下改进:(1)反卷积代替池化操作;(2)添加了批标准化的操作,稳定学习训练过程;(3)以全局平均池化代替全连接层;(4)除生成器的输出层使用Tanh激活函数之外其他层使用ReLU激活函数,判别器的所有层采用LeakyReLU激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110058759.5A CN112767344A (zh) | 2021-01-16 | 2021-01-16 | 一种基于车载摄像的耦合传统和机器学习的病害增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110058759.5A CN112767344A (zh) | 2021-01-16 | 2021-01-16 | 一种基于车载摄像的耦合传统和机器学习的病害增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112767344A true CN112767344A (zh) | 2021-05-07 |
Family
ID=75702148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110058759.5A Pending CN112767344A (zh) | 2021-01-16 | 2021-01-16 | 一种基于车载摄像的耦合传统和机器学习的病害增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767344A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850855A (zh) * | 2021-08-27 | 2021-12-28 | 北京工业大学 | 一种耦合传统方法和wgan-gp的道路纹理图片增强方法 |
CN114048835A (zh) * | 2021-08-01 | 2022-02-15 | 北京工业大学 | 一种基于时序卷积网络的道路基层应变分析方法 |
CN114091654A (zh) * | 2021-11-14 | 2022-02-25 | 北京工业大学 | 一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法 |
CN114219778A (zh) * | 2021-12-07 | 2022-03-22 | 北京工业大学 | 一种基于wgan-gp数据生成与泊松融合的数据深度增强方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
CN109543745A (zh) * | 2018-11-20 | 2019-03-29 | 江南大学 | 基于条件对抗自编码网络的特征学习方法及图像识别方法 |
-
2021
- 2021-01-16 CN CN202110058759.5A patent/CN112767344A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086799A (zh) * | 2018-07-04 | 2018-12-25 | 江苏大学 | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 |
CN109543745A (zh) * | 2018-11-20 | 2019-03-29 | 江南大学 | 基于条件对抗自编码网络的特征学习方法及图像识别方法 |
Non-Patent Citations (1)
Title |
---|
侯越等: "基于卷积自编码的沥青路面目标与裂缝智能识别", 《中国公路学报》, 31 October 2020 (2020-10-31), pages 288 - 303 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048835A (zh) * | 2021-08-01 | 2022-02-15 | 北京工业大学 | 一种基于时序卷积网络的道路基层应变分析方法 |
CN113850855A (zh) * | 2021-08-27 | 2021-12-28 | 北京工业大学 | 一种耦合传统方法和wgan-gp的道路纹理图片增强方法 |
CN113850855B (zh) * | 2021-08-27 | 2024-05-14 | 北京工业大学 | 一种耦合传统方法和wgan-gp的道路纹理图片增强方法 |
CN114091654A (zh) * | 2021-11-14 | 2022-02-25 | 北京工业大学 | 一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法 |
CN114091654B (zh) * | 2021-11-14 | 2024-04-12 | 北京工业大学 | 一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法 |
CN114219778A (zh) * | 2021-12-07 | 2022-03-22 | 北京工业大学 | 一种基于wgan-gp数据生成与泊松融合的数据深度增强方法 |
CN114219778B (zh) * | 2021-12-07 | 2024-04-02 | 北京工业大学 | 一种基于wgan-gp数据生成与泊松融合的数据深度增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112767344A (zh) | 一种基于车载摄像的耦合传统和机器学习的病害增强方法 | |
CN106940816B (zh) | 基于3d全卷积神经网络的ct图像肺结节检测系统 | |
CN111915530B (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
CN112507997B (zh) | 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统 | |
CN111539887B (zh) | 一种基于混合卷积的通道注意力机制和分层学习的神经网络图像去雾方法 | |
CN113034411B (zh) | 一种耦合传统方法和深度卷积对抗生成网络的道路病害图片增强方法 | |
CN112116605A (zh) | 一种基于集成深度卷积神经网络的胰腺ct图像分割方法 | |
CN113159051A (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
CN111275627B (zh) | 一种基于雪模型和深度学习融合的图像去雪算法 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN113610144A (zh) | 一种基于多分支局部注意力网络的车辆分类方法 | |
CN116485717B (zh) | 一种基于像素级深度学习的混凝土坝表面裂缝检测方法 | |
CN114782298B (zh) | 一种具有区域注意力的红外与可见光图像融合方法 | |
CN111126505A (zh) | 一种基于深度学习的路面裂缝快速识别方法 | |
CN116343144B (zh) | 一种融合视觉感知自适应去雾的实时目标检测方法 | |
CN114581434A (zh) | 基于深度学习分割模型的病理图像处理方法、电子设备 | |
CN113052776A (zh) | 基于多尺度深度图像先验的无监督图像去雾方法 | |
CN117036281A (zh) | 一种缺陷图像的智能生成方法及其系统 | |
CN116563682A (zh) | 一种基于深度霍夫网络的注意力方案和条带卷积语义线检测的方法 | |
CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 | |
CN110176029B (zh) | 基于层级稀疏表示的图像复原与匹配一体化方法及系统 | |
CN115656444B (zh) | 一种大型场馆内二氧化碳场浓度重建方法 | |
CN113034410A (zh) | 一种耦合传统方法和卷积自编码的道路病害图片增强方法 | |
CN114549343A (zh) | 基于双支残差特征融合去雾方法 | |
CN112487947A (zh) | 基于图像融合与目标检测网络的低照度图像目标检测方法 |
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 |