CN113420639A - 基于生成对抗网络的近地面红外目标数据集建立方法及装置 - Google Patents
基于生成对抗网络的近地面红外目标数据集建立方法及装置 Download PDFInfo
- Publication number
- CN113420639A CN113420639A CN202110684096.8A CN202110684096A CN113420639A CN 113420639 A CN113420639 A CN 113420639A CN 202110684096 A CN202110684096 A CN 202110684096A CN 113420639 A CN113420639 A CN 113420639A
- Authority
- CN
- China
- Prior art keywords
- network
- generated
- cnn
- data set
- generation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于生成对抗网络的近地面红外目标数据集建立方法及装置，首先，对预先获取红的外图像数据集进行预处理，并划分为训练集和测试集；其次，构建包括生成网络G和判别网络D的深度卷积生成对抗网络DCGAN；然后，引入卷积操作及自注意力模块，改进构建的深度卷积生成对抗网络DCGAN；最后，构建卷积神经网络CNN，优化CNN网络的损失函数，将生成的未标记的数据加入训练集共同作为CNN的输入。本发明具有生成样本多样，网络结构稳定，实用性强的特点，可以使红外目标图像检测的深度学习训练集更加丰富多样，实现检测性能的进一步提高，具备较高的实用价值。
Description
技术领域
本发明属于图像处理技术与深度学习领域，尤其涉及一种基于生成对抗网络的无人机探测近地面红外目标数据集建立方法及装置。
背景技术
红外目标探测与识别在军事侦察和武装打击等领域有着重要的研究意义和应用价值，红外探测具有环境适应性好、隐蔽性好、抗干扰能力强、能在一定程度上识别伪装目标，且设备体积小、重量轻、功耗低等特点，在军事上被广泛应用于红外夜视、红外侦察以及红外制导等方面。目前在红外探测技术中，红外成像可以根据目标物体的热辐射情况得到目标图像的灰度分布，可全天候使用，尤其是在夜晚环境下能够较好的进行工作，通过对目标所产生的红外辐射探测，实现对目标的检测、识别和攻击。为了更精确地打击红外目标，需要多角度、多尺度地对目标进行观测。然而，在远距离观测时，目标图像分辨率较小，目标包含的像素值较少，并缺乏几何形状、纹理结构等特征，可利用的信息较少，增加了空中红外目标的识别难度。
针对基于红外图像的无人机目标侦察，大规模的数据采集和标注样本相对困难或者代价极高，限制了深度学习在该领域的应用。例如，部分军用车辆比较罕见以及出于保护隐私的需要，公开的数据极其有限。目前，基于深度学习的红外目标识别最大问题就是获取已标注的真实目标数据集的过程十分繁琐，需要耗费高昂的人力、物力成本。另外有限的真实实验次数常常会导致模型训练不充分，进而影响系统的整体性能。传统的红外目标建模方法一般是利用目标温度场的辐射特性来计算探测器接收的红外辐射能量，但这种方法需要严格的约束条件，同时建模与计算过程复杂、耗时，生成的红外目标在真实性和多样性上存在一定的缺陷。
本发明致力于在保证样本真实性和多样性的基础上生成样本丰富的红外目标数据集，为目标识别算法的训练提供更加丰富的样本，继而提高无人机近地红外目标探测的性能。
发明内容
发明目的：针对实际应用中无人机红外目标图像数量极少的问题，本发明提出一种基于生成对抗网络的近地面红外目标数据集建立方法及装置，以模拟真实的近地目标红外图像，增加样本的多样性，从而为模型的训练提供更多可用的训练样本，提高目标图像检测的准确率。
发明内容：本发明提出一种基于生成对抗网络的近地面红外目标数据集建立方法，具体包括以下步骤：
(1)对预先获取的红外图像数据集进行预处理，并划分为训练集和测试集；
(2)构建包括生成网络G和判别网络D的深度卷积生成对抗网络DCGAN；
(3)引入卷积操作及自注意力模块，改进步骤(3)构建的深度卷积生成对抗网络DCGAN；
(4)构建卷积神经网络CNN，优化CNN网络的损失函数，将生成的未标记的数据加入训练集共同作为CNN的输入。
进一步地，所述步骤(3)实现过程如下：
在DCGAN的基础上，为原生成网络增加一层卷积网络，生成网络中除最后一层外，每层均加入批量归一化层；生成网络的输出层采用Tanh函数，其余层激活函数是ReLU函数；
在原DCGAN的基础上，为原判别网络增加一层卷积网络，判别网络的输入有两部分：真实的近地面目标样本图像数据和生成网络生成的“假”图像数据；判别网络的最后一层使用Sigmoid激活函数，其他层的激活函数均采用Leak Relu函数；
引入了自注意力机制模块：在生成器和判别器的网络结构中均添加了self-attention层，将convolutional feature map转换为self-attention feature map输出，能够利用较远的区域的信息，每个位置能够结合与该位置相似或相关区域的信息，确保生成的图片的区域一致性。
进一步地，步骤(4)所述构建卷积神经网络CNN实现过程如下：
利用ResNet-50网络模型进行特征提取，同时利用双线性采样将生成的图像调整为128×128；生成的未标记的数据加入训练集共同作为CNN的输入；ResNet50在ImageNet上预训练；修改了最后一个全连接层使K个神经元能够预测K类，其中K是原始训练集中的类别数。
进一步地，步骤(4)所述的优化CNN网络的损失函数实现过程如下：
CNN原始的交叉熵函数为：
真值分布为：
标签平滑正则化方法用于将未标记的图像结合至网络中，对于生成的图像利用LSRO优化后的标签分布定义为：
结合上式，则优化后的交叉熵损失函数为：
其中，k∈{1,2,…K}是训练数据的预定义类，K表示类别数量；p(k)∈[0,1]表示属于k类输入的预测概率，由CNN网络输出；q(k)表示真值分布，y为真值类别标签；对于真实的训练集，Z＝0；对于生成的训练集，Z＝1。
基于相同的发明构思，本发明还提供一种基于生成对抗网络的近地面红外目标数据集建立装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；所述计算机程序被加载至处理器时实现上述的基于生成对抗网络的近地面红外目标数据集建立方法。
有益效果：与现有技术相比，本发明的有益效果：本发明通过DCGAN模型设计了近地面红外目标图像的生成算法，针对近地面红外图像的特点，改进了DCGAN模型的生成网络和判别网络，并设置了合适的激活函数等网络参数，实现了无人机近地面目标红外图像的自动生成，随机生成的红外目标形态逼真且样式丰富；本发明提出的LSRO结构提高了网络的鲁棒性和准确率，通过使用随机生成的目标图像来扩充数据集，可以有效地解决训练数据不足的问题，提高了系统识别算法的准确率。
附图说明
图1为本发明构建的DCGAN网络和CNN网络结构示意图；
图2为本发明的流程图；
图3为DCGAN网络生成图像的示意图；
图4为本发明生成网络结构示意图；
图5为本发明判别器网络结构示意图；
图6为本发明自注意力模块结构示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明提供一种基于生成对抗网络的近地面红外目标数据集建立方法，首先，准备网络输入数据，构建深度卷积生成对抗网络Deep ConvolutionalGenerativeAdversarial Network(DCGAN)的模型并进行优化，设计卷积神经网络Convolutional Neural Network(CNN)的网络结构，整体结构如图1所示；然后，优化CNN网络的损失函数。如图2所示，具体包括以下步骤：
步骤1：对预先获取的红外图像数据集进行预处理，并划分为训练集和测试集。
准备深度卷积生成对抗网络(Deep Convolutional Generative AdversarialNetwork，DCGAN)的输入数据，利用无人机携带红外设备采集近地面红外目标，构建红外数据集。共包括四类目标：作战人员、坦克、装甲车、民用车辆。所有红外目标图像大小均调整为8位128pixel×128pixel，适应网络的输入，调整后的图像共1000张作为训练集。
步骤2：构建包括生成网络G和判别网络D的深度卷积生成对抗网络DCGAN。
如图3所示，生成对抗网络模型DCGAN主要包括两个核心部分：生成网络与判别网络。将随机噪声输入生成网络，生成“假”样本数据，再将生成的“假”样本数据与从图像样本中的实际图像一起输入到判别网络。上一步骤中构建的训练集中的实际数据用于训练DCGAN模型。然后，又将真正的训练数据和新生成的样本组合到CNN的训练输入中。
步骤3：引入卷积操作及自注意力模块，改进步骤2构建的深度卷积生成对抗网络DCGAN。
如图4所示，改进的DCGAN的网络结构中，在原DCGAN的基础上增加了一层卷积网络，修改后的生成网络可以生成大小为128×128的近地面红外图像。生成网络中除最后一层之外，每一层都加入BatchNorm(批量归一化)层，从而增加学习的稳定性。其中，生成网络的输入为均匀分布的随机噪声，经过reshape后输出大小为4×4的512层图像，然后与卷积核为5，步长为2，Padding＝1进行反卷积，得到256层8×8的图像，依此类推。最终得到3层128×128的图像作为判别器的输入。Tanh函数的取值范围为[-1，1]，从而将数据压缩至[-1，1]。
如图5所示，在改进的DCGAN的网络结构中，在原DCGAN的基础上增加了一层卷积网络，其中判别器的输入为：真实近地面红外目标的样本图像数据和生成网络生成的“假”近地面红外目标的样本图像数据。其中，判别网络采用转置卷积层，中间层加入BatchNorm层。判别器网络的最后一层采用Sigmoid激活函数，其他网络层的激活函数采用Leaky Relu函数。
如图6所示，在改进的DCGAN的网络结构中，引入了自注意力机制模块(selfattention)。对卷积的feature maps使用两个1*1的卷积进行线性变换和通道压缩，然后对两个张量reshape成矩阵形式，转置相乘，再经过softmax得到attention map。原featuremaps再使用1*1的卷积进行线性变换(通道数保持不变)，然后与attention map矩阵相乘，相加，得到self-attention feature maps。最后，self-attention feature maps和原卷积feature maps进行加权求和(权重参数是可学的)，作为最后的输出。
为了使生成网络更快的学习到样本的特征，并减少生成网络Loss损失的下降，更新1次判别网络的权重的同时更新5次生成网络的权重。通过不断地更新生成网络和判别网络的权重，使生成网络持续学习到真实数据的分布，进而生成无人机近地面红外图像。
步骤4：构建卷积神经网络CNN，优化CNN网络的损失函数，将生成的未标记的数据加入训练集共同作为CNN的输入
CNN的网络结构中，使用ResNet-50的网络模型。同时使用双线性采样将生成的图像调整为128×128×3。然后将生成的图像与原始训练集混合，作为CNN的输入。标记后的数据同时对未标记的数据进行训练，混合训练集后进行常规的微调。CNN模型采用在ImageNet上预先训练的模型，同时修改最后一个完全连接的层，使K个神经元能够预测K类，其中K是原始训练集(以及合并的新训练集)中的类数。
CNN的网络结构中，本发明利用离群值的标签平滑正则化(LSRO)用于将未标记的图像合并到网络中。在LSRO中，同时为未标记的图像提出了虚拟标签分布。
1)假设生成的样本不属于任何预定义的类。
2)假设所有类别的分配平均从而解决过度拟合问题。
k∈{1,2,…K}为训练数据的预定义类别，其中K为类别数。交叉熵函数可被定义为：
其中，p(k)∈[0,1]表示输入属于类别K的预测概率，q(k)表示真值分布，y表示真值类别标签。
q(k)可定义如下：
使用LSRO，我们可以为未标记的图像分配均匀的标签分布，并引入更多的颜色，光照和姿势方差来对模型进行正则化。
(1)假设生成的样本不属于任何预定义的类。
(2)假设所有的类别分配均一，以解决过度拟合问题。
期望生成的图像的最大类别概率很低，即网络无法以高置信度预测特定类别。为了生成图像，将LSRO优化后的类别标签分布qLSRO(k)定义为：
结合上式，则优化后的交叉熵损失函数为：
对于真实的训练图像，Z＝0；对于生成的训练图像，Z＝1。系统可以采用两种类型的损失函数，一种用于真实图像，一种用于生成图像。优化后的网络能够处理更多位于样本空间中真实训练图像附近的图像。
基于相同的发明构思，本发明还提供一种基于生成对抗网络的近地面红外目标数据集建立装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；所述计算机程序被加载至处理器时实现上述的基于生成对抗网络的近地面红外目标数据集建立方法。
本发明解决无人机近地面探测中作战人员、坦克、装甲车、民用车辆等红外目标数据集不足的问题，利用生成对抗网络改善模型对多分布的红外辐射特征的适应能力，构建生成器和判别器的网络结构以及目标约束条件，通过红外图像仿真的生成网络，扩充近地面红外目标数据集。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于生成对抗网络的近地面红外目标数据集建立方法，其特征在于，包括以下步骤：
(1)对预先获取的红外图像数据集进行预处理，并划分为训练集和测试集；
(2)构建包括生成网络G和判别网络D的深度卷积生成对抗网络DCGAN；
(3)引入卷积操作及自注意力模块，改进步骤(2)构建的深度卷积生成对抗网络DCGAN；
(4)构建卷积神经网络CNN，优化CNN网络的损失函数，将生成的未标记的数据加入训练集共同作为CNN的输入。
2.根据权利要求1所述的基于生成对抗网络的近地面红外目标数据集建立方法，其特征在于，所述步骤(3)实现过程如下：
在DCGAN的基础上，为原生成网络增加一层卷积网络，生成网络中除最后一层外，每层均加入批量归一化层；生成网络的输出层采用Tanh函数，其余层激活函数是ReLU函数；
在原DCGAN的基础上，为原判别网络增加一层卷积网络，判别网络的输入有两部分：真实的近地面目标样本图像数据和生成网络生成的“假”图像数据；判别网络的最后一层使用Sigmoid激活函数，其他层的激活函数均采用Leak Relu函数；
引入了自注意力机制模块：在生成器和判别器的网络结构中均添加了self-attention层，将convolutional feature map转换为self-attention feature map输出，能够利用较远的区域的信息，每个位置能够结合与该位置相似或相关区域的信息，确保生成的图片的区域一致性。
3.根据权利要求1所述的基于生成对抗网络的近地面红外目标数据集建立方法，其特征在于，步骤(4)所述构建卷积神经网络CNN实现过程如下：
利用ResNet-50网络模型进行特征提取，同时利用双线性采样将生成的图像调整为128×128；生成的未标记的数据加入训练集共同作为CNN的输入；ResNet50在ImageNet上预训练；修改了最后一个全连接层使K个神经元能够预测K类，其中K是原始训练集中的类别数。
4.根据权利要求1所述的基于生成对抗网络的近地面红外目标数据集建立方法，其特征在于，步骤(4)所述的优化CNN网络的损失函数实现过程如下：
CNN原始的交叉熵函数为：
真值分布为：
标签平滑正则化方法用于将未标记的图像结合至网络中，对于生成的图像利用LSRO优化后的标签分布定义为：
结合上式，则优化后的交叉熵损失函数为：
其中，k∈{1,2,…K}是训练数据的预定义类，K表示类别数量；p(k)∈[0,1]表示属于k类输入的预测概率，由CNN网络输出；q(k)表示真值分布，y为真值类别标签；对于真实的训练集，Z＝0；对于生成的训练集，Z＝1。
5.一种基于生成对抗网络的近地面红外目标数据集建立装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-4任一项所述的基于生成对抗网络的近地面红外目标数据集建立方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110684096.8A CN113420639A (zh) | 2021-06-21 | 2021-06-21 | 基于生成对抗网络的近地面红外目标数据集建立方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110684096.8A CN113420639A (zh) | 2021-06-21 | 2021-06-21 | 基于生成对抗网络的近地面红外目标数据集建立方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113420639A true CN113420639A (zh) | 2021-09-21 |
Family
ID=77789383
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110684096.8A Pending CN113420639A (zh) | 2021-06-21 | 2021-06-21 | 基于生成对抗网络的近地面红外目标数据集建立方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420639A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115019140A (zh) * | 2022-06-02 | 2022-09-06 | 杭州电子科技大学 | 一种注意力引导的伪装目标检测方法 |
| CN115375975A (zh) * | 2022-09-05 | 2022-11-22 | 长春大学 | 一种基于深度卷积生成对抗网络的wce图像生成方法 |
| CN115510732A (zh) * | 2022-06-07 | 2022-12-23 | 中国人民解放军陆军工程大学 | 一种基于深度学习的方舱红外特性仿真快速算法 |
| CN113902947B (zh) * | 2021-10-09 | 2023-08-25 | 南京航空航天大学 | 一种自然图像的对空目标红外图像生成式对抗网络构建方法 |
| CN117741070A (zh) * | 2024-02-21 | 2024-03-22 | 山东多瑞电子科技有限公司 | 基于深度学习的气体安全智能检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961051A (zh) * | 2019-03-28 | 2019-07-02 | 湖北工业大学 | 一种基于聚类和分块特征提取的行人重识别方法 |
| CN112509092A (zh) * | 2020-12-14 | 2021-03-16 | 上海海事大学 | 基于卷积生成对抗网络的乳腺X-ray图像自动生成方法 |
-
2021
- 2021-06-21 CN CN202110684096.8A patent/CN113420639A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961051A (zh) * | 2019-03-28 | 2019-07-02 | 湖北工业大学 | 一种基于聚类和分块特征提取的行人重识别方法 |
| CN112509092A (zh) * | 2020-12-14 | 2021-03-16 | 上海海事大学 | 基于卷积生成对抗网络的乳腺X-ray图像自动生成方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZHEDONG ZHENG 等: "《Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro》", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》, 25 December 2017 (2017-12-25), pages 3774 - 3782 * |
| 李秋丽 等: "《结合频谱规范化与自注意力机制的 DCGAN 研究》", 《计算机应用与软件》, vol. 38, no. 02, 12 February 2021 (2021-02-12), pages 227 - 232 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113902947B (zh) * | 2021-10-09 | 2023-08-25 | 南京航空航天大学 | 一种自然图像的对空目标红外图像生成式对抗网络构建方法 |
| CN115019140A (zh) * | 2022-06-02 | 2022-09-06 | 杭州电子科技大学 | 一种注意力引导的伪装目标检测方法 |
| CN115019140B (zh) * | 2022-06-02 | 2023-11-21 | 杭州电子科技大学 | 一种注意力引导的伪装目标检测方法 |
| CN115510732A (zh) * | 2022-06-07 | 2022-12-23 | 中国人民解放军陆军工程大学 | 一种基于深度学习的方舱红外特性仿真快速算法 |
| CN115510732B (zh) * | 2022-06-07 | 2023-07-11 | 中国人民解放军陆军工程大学 | 一种基于深度学习的方舱红外特性仿真快速算法 |
| CN115375975A (zh) * | 2022-09-05 | 2022-11-22 | 长春大学 | 一种基于深度卷积生成对抗网络的wce图像生成方法 |
| CN117741070A (zh) * | 2024-02-21 | 2024-03-22 | 山东多瑞电子科技有限公司 | 基于深度学习的气体安全智能检测方法 |
| CN117741070B (zh) * | 2024-02-21 | 2024-05-03 | 山东多瑞电子科技有限公司 | 基于深度学习的气体安全智能检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113420639A (zh) | 基于生成对抗网络的近地面红外目标数据集建立方法及装置 | |
| CN110781830B (zh) | 基于空-时联合卷积的sar序列图像分类方法 | |
| CN111709902B (zh) | 基于自注意力机制的红外和可见光图像融合方法 | |
| CN110287800B (zh) | 一种基于sgse-gan的遥感图像场景分类方法 | |
| CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
| Wu et al. | Towards accurate high resolution satellite image semantic segmentation | |
| CN110245711B (zh) | 基于角度旋转生成网络的sar目标识别方法 | |
| CN112966667B (zh) | 海面目标一维距离像降噪卷积神经网络识别方法 | |
| CN111814875A (zh) | 基于样式生成对抗网络的红外图像中舰船样本扩充方法 | |
| CN112215296B (zh) | 基于迁移学习的红外图像识别方法及存储介质 | |
| CN111401132B (zh) | 监控场景下高层语义指导的行人属性识别方法 | |
| Zhu et al. | Shadow compensation for synthetic aperture radar target classification by dual parallel generative adversarial network | |
| CN112733602B (zh) | 关系引导的行人属性识别方法 | |
| Zhang et al. | Research on simulated infrared image utility evaluation using deep representation | |
| CN115965968A (zh) | 基于知识引导的小样本目标检测识别方法 | |
| CN115546338A (zh) | 基于Transformer与生成对抗网络的图像着色方法 | |
| Tian et al. | Semantic segmentation of remote sensing image based on GAN and FCN network model | |
| CN114676852A (zh) | 一种基于相关性类激活映射的通用对抗扰动生成方法 | |
| CN112598032B (zh) | 面向红外图像对抗攻击的多任务防御模型构建方法 | |
| CN115861595B (zh) | 一种基于深度学习的多尺度域自适应异源图像匹配方法 | |
| CN113627480B (zh) | 一种基于强化学习的极化sar影像分类方法 | |
| Wang et al. | Universal adversarial perturbation for remote sensing images | |
| CN115630361A (zh) | 一种基于注意力蒸馏的联邦学习后门防御方法 | |
| CN112465836B (zh) | 基于轮廓信息的热红外语义分割无监督领域自适应方法 | |
| CN115329821A (zh) | 一种基于配对编码网络和对比学习的舰船噪声识别方法 |
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 |