CN114881884B - 一种基于生成对抗网络的红外目标样本增强方法 - Google Patents
一种基于生成对抗网络的红外目标样本增强方法 Download PDFInfo
- Publication number
- CN114881884B CN114881884B CN202210567968.7A CN202210567968A CN114881884B CN 114881884 B CN114881884 B CN 114881884B CN 202210567968 A CN202210567968 A CN 202210567968A CN 114881884 B CN114881884 B CN 114881884B
- Authority
- CN
- China
- Prior art keywords
- sample
- infrared
- network module
- module
- noise
- 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 39
- 238000011478 gradient descent method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 25
- 230000009467 reduction Effects 0.000 claims description 10
- 239000003638 chemical reducing agent Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims 3
- 238000004088 simulation Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 10
- 230000004913 activation Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
- G06N3/048—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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]
-
- 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
Abstract
本发明涉及一种基于生成对抗网络的红外目标样本增强方法,本发明有效解决了现有在进行红外样本仿真模拟时存在部分红外特征被遮挡而导致红外样本图像产生瑕疵的问题;解决的技术方案包括:本方案通过计算真实红外样本和生成红外样本之间的分布距离,采用梯度下降法优化两者之间的分布距离,利用反向传播法优化判别网络模块参数和生成网络模块参数,最终使得系统性能达到最优。
Description
技术领域
本发明涉及计算机视觉应用技术领域,尤其涉及一种基于生成对抗网络的红外目标样本增强方法。
背景技术
随着深度神经网络技术的发展,人工智能技术在很多视觉任务中有着优异的表现,但是深度神经网络这种优良的性能,在很大程度上依赖于海量的数据,在实际工程项目中,相较于可见光图像,红外图像具有不受光照影响、不怕云雾遮挡的优点,在自动驾驶、深林防火、航空等领域有非常广阔的应用前景,由于红外图像获取受制于成像设备、环境等因素影响,实际获取成本高昂,面对这些问题,利用计算机仿真系统模拟红外场景生成红外图像,大大地降低了成本并缩短研发周期,得到极大关注;
运用机器学习获取新的红外样本的方法,有通过计算红外辐射参数,构建红外目标的三维几何模型并融合辐射物理参数对仿真系统进行建模,但是,整个模型计算量大,建模过程复杂,参数调整繁琐,目前常用的是对抗生成模型,其根据原始数据分布,学习得到样本分布的参数,训练得到拟合数据分布的生成模型,并应用该模型生成新的样本,目前常用的对抗生成模型中,一种是通过融合可见光图像与红外图像,把可见光图像转换为红外图像;另一种是把可见光图像直接转换为红外图像,但是可见光图像转换为红外图像时,被遮蔽的发热物体的红外特征不能显示,而导致模拟得到的红外样本与真实样本之间产生差异,影响建模质量;
鉴于以上我们提供一种基于生成对抗网络的红外目标样本增强方法用于解决以上问题。
发明内容
针对上述情况,本发明提供一种基于生成对抗网络的红外目标样本增强方法,本方案通过计算真实红外样本和生成红外样本之间的分布距离,采用梯度下降法优化两者之间的分布距离,利用反向传播法优化判别网络模块参数和生成网络模块参数,最终使得系统性能达到最优。
一种基于生成对抗网络的红外目标样本增强方法,包括训练阶段和应用阶段,其特征在于,所述训练阶段由真实红外图像处理模块、判别网络模块、判别输出模块、随机噪声模块、生成网络模块组成,所述训练阶段包括以下步骤:
S1:通过真实红外图像处理模块将用于训练的红外图像进行处理进而得到真实红外样本,随后将真实红外样本输入至判别网络模块;
S2:通过随机噪声模块输出均匀噪声至生产网络模块进而得到生成红外样本,生成网络模块将生成红外样本输入至判别网络模块;
S3:将真实红外样本、生成红外样本分别输入至判别网络模块并且对其进行判别;
S4:判别网络模块分别将真实红外样本、生成红外样本输入至判别输出模块并且计算真实红外样本与生成红外样本之间的分布距离,采用梯度下降法优化两者之间的距离,利用反向传播法优化判别网络模块参数ω和生成网络模块参数θ;
S5:直至判别网络模块无法有效识别真实红外样本、生成红外样本,生成红外样本可以以假乱真;
所述应用阶段由随机噪声模块、生成网络模块、生成输出模块组成,所述应用阶段包括以下步骤:
T1:载入训练好的参数至生成网络模块,随机噪声模块把均匀噪声输入至生成网络模块;
T2:生成网络模块持续输出生成红外样本并且将生成红外样本输入至生成输出模块;
T3:生成输出模块保存生成红外样本为指定格式。
上述技术方案有益效果在于:
(1)本方案通过计算真实红外样本和生成红外样本之间的分布距离,采用梯度下降法优化两者之间的分布距离,利用反向传播法优化判别网络模块参数和生成网络模块参数,最终使得系统性能达到最优,此时判别网络模块无法有效识别出真实红外样本和生成红外样本,即生成网络模块生成的红外图像可以以假乱真;
(2)本方案中,通过随机噪声模块输出噪声至生成网络模块,最终生成红外样本,几乎没有成本;
(3)由于生成的红外样本是由随机噪声模块将噪声输出至生成网络模块生成,避免了传统的采用可见光转化为红外图像的方式而导致生成的红外样本图像特征中存在被遮蔽物所遮盖的情况发生。
附图说明
图1为本发明红外目标样本增强系统框图;
图2为本发明判别网络模块结构图;
图3为本发明生成网络模块结构图。
具体实施方式
有关本发明的前述及其他技术内容、特点与功效,在以下配合参考附图1至图3对实施例的详细说明中,可清楚的呈现,以下实施例中所提到的结构内容,均是以说明书附图为参考。
实施例1,本实施例提供一种基于生成对抗网络的红外目标样本增强方法,该方法包括训练阶段、应用阶段两个过程,训练阶段包括:首先由少量的真实红外样本进行训练,直至模拟生成的红外样本达到以假乱真并且与真实红外样本没有区别时,结束训练阶段,随后进入至应用阶段,即,持续模拟生成红外样本,具体如下:
附图1为本方案红外目标样本增强过程框图(为各个模块之间的连接关系图),训练阶段由真实红外图像处理模块、判别网络模块、判别输出模块、随机噪声模块、生成网络模块组成,训练阶段包括以下步骤:
S1:真实红外图像处理模块主要是对搜集用于训练的真实红外图像进行处理,完成图像的压缩,调整图像为32像素*32像素,并且把真实的红外样本图像制作为cifar10数据格式,随后将其输入至判别网络模块;
S2:通过随机噪声模块输出均匀噪声至生成网络模块进而得到生成红外样本,生成网络模块将生成红外样本输入至判别网络模块;
S3:真实红外样本、生成红外样本分别输入至判别网络模块并且对其进行分辨,当输入是真实红外样本时,输出真,当输入为生成样本时,输出假;
S4:判别网络模块分别将真实红外样本、生成红外样本输入至判别输出模块,判别输出模块计算真实红外样本与生成红外样本之间的分布距离,采用梯度下降法优化两者之间的距离,利用反向传播法优化判别网络模块参数ω和生成网络模块参数θ;
S5:直至判别网络模块无法有效识别真实红外样本、生成红外样本,生成红外样本可以以假乱真,此时整个系统性能达到最优。
应用阶段由随机噪声模块、生成网络模块、生成输出模块组成,应用阶段包括以下步骤:
T1:载入训练好的生成网络模块参数θ至生成网络模块,随机噪声模块把均匀噪声输入至生成网络模块;
T2:生成网络模块持续输出生成红外样本并且将生成红外样本输入至生成输出模块;
T3:生成输出模块保存生成红外样本为指定格式。
实施例2,在实施例1的基础上,如附图2所示为判别网络模块内部结构图,判别网络模块包括降噪层、三个卷积层和一个全链接层,其中降噪层有k个降噪器DN1,DN2,…,DNk、k个权重系数δ1,δ2,…,δk和加法器组成,其中降噪层使用3个降噪器;
实施例1中的S3包括以下步骤:
S3-1:样本进入降噪层后,利用降噪器对样本进行降噪可获得降噪后图像{y1,y2,…,yk};
S3-2:降噪器输出的图像乘以权重系数,然后在加法器中融合,这样可以得到初步优化图像并满足约束/>
S3-3:经过降噪后的样本依次进入卷积层1(该卷积层采用64个卷积核、卷积核大小选取3、步长为2)、卷积层2(该卷积层采用128个卷积核、卷积核大小选取3、步长为2)、卷积层3(该卷积层采用256个卷积核、卷积核大小选取3、步长为2)、全链接层;
每个卷积层后面均使用leaky_relu函数作为激活函数,所谓激活函数就是在人工神经网络的神经元上运行的函数,负责将神经元的输入映射到输出端,引入激活函数是为了增加神经网络模型的非线性,如果不用激励函数,每一层输出都是上层输入的线性函数,无论神经网络有多少层,输出都是输入的线性组合,如果引入激活函数相当于给神经网络模型引入了非线性因素,使得神经网络可以任意逼近任何非线性函数,从而避免线性组合而带来的误差;
判别网络的最后一层是全链接层,全连接层的每一个结点都与上一层的所有结点相连,用来把前边提取到的特征综合起来,最终根据所输入的样本类型,输出相应的结果(输入的是真实红外样本,输出真;输入的是生成红外样本,输出假)。
实施例3,在实施例1的基础上,如附图3所示,为生成模块内部结构图,生成网络模块包括全连接层、三个反卷积层和噪声层,实施例1中的S2包括以下过程:
如附图3所示,随机噪声模块输出均匀噪声至生成网络模块,并且均匀噪声依次进入全链接层、反卷积层1(该卷积层采用128个卷积核、卷积核大小选取3、步长为2)、反卷积层2(该卷积层采用64个卷积核、卷积核大小选取3、步长为2)、反卷积层3(该卷积层采用3个卷积核、卷积核大小选取3、步长为2)、噪声层,最终输出生成红外样本图像;
反卷积层1、反卷积层2后面跟的激活函数为relu函数,反卷积层3后面跟的函数为tanh函数。
实施例4,在实施例1-3的基础上,构造系统目标函数(训练网络损失函数)为生成红外样本分布与真实红外样本分布差值并且加上惩罚项,如下:
上式中,δk是常系数,DNk是确定的降噪器,K=3,表示偏导,对/>中的/>求偏导;
x~Pdata(x)是真实样本分布,Pg是生成样本分布,定义生成样本是噪声z在生成网络G下的分布;
x是真实样本,Dω是判别网络,是优化后的真实样本与生成样本连线上随机插值采样,其计算方法为:使用随机采样方法获取真实样本x~Pdata、生成样本/>以及一个取值范围在[0,1]中的随机数ε,/>本方案中针对系统目标函数的惩罚项进行优化,使得在训练过程中生成网络损失收敛更快,系统从而更快的进入稳定状态。
实施例5,在实施例4的基础上,进一步描述实施例1中S4的详细训练过程,具体如下:
首先进行超参数设置,降噪层参数δ1=0.2,δ2=0.3,δ3=0.5;生成网络更新一次判别网络迭代次数μ=5;惩罚梯度系数λ=10;Adam优化器参数α=0.001,β1=0.5,β2=0.9;批处理m=32(m表示每次进入判别网络的真实图片和生成图片的数量分别是32张,即,每批为32),判别网络模块参数为ω,生成网络模块参数为θ;
采样真实红外样本分布x~Pdata(x)、噪声分布z~Pz(z),随机数ε∈U[0,1],得生成红外样本计算真实红外样本与生成红外样本差值
在生成网络固定的情况下,把上述参数代入公式(1),进而得到判别网络损失函数
S4-1:固定生成网络模块参数,训练判别网络模块参数;
由Adam优化器得到判别网络模块参数(Adam优化器是通用的,利用梯度下降法优化神经网络参数)
在该过程中:使得生成网络模块参数每更新一次,判别网络模块迭代五次,即生成网络模块每生成一次比对(判别生成红外样本与真实红外样本之间的差异度大小);
上述过程重复五次(每当生成网络模块生成一次生成红外样本并且输入至判别网络模块,判别网络模块对输入的生成红外样本和真实红外样本进行比对一次,根据比对结果判别输出模块对判别网络模块参数ω进行调整、优化一次);
S4-2:固定判别网络模块参数,训练生成网络模块参数;
由Adam优化器得到生成网络模块参数
在该过程中:固定判别网络参数ω,使得生成网络模块每生成一次生成红外样本,判别网络模块对其与真实红外样本进行比对一次,判别输出模块对生成网络模块参数θ进行优化、调整一次;
S4-3:不停重复S4-1、和S4-2操作(使之交替进行),直到训练网络损失函数取得最小值并不在变化;
即,生成网络模块参数θ被调整、优化后输出的生成红外样本,使得判别网络模块无法将其与真实红外样本区分时,判别输出模块开始对判别网络模块参数ω进行优化、调整,以至使得判别网络模块能够将两者区分,重复上述过程,直至判别输出模块对判别网络模块参数ω进行优化、调整后,判别网络模块仍无法区分生成红外样本和真实红外样本);
此时生成网络模块生成的红外样本与真实红外样本几乎没有差别,判别网络模块已经无法区分两者,使得此时系统性能达到最优。
随后过程由随机噪声模块、生成网络模块、生成输出模块构成应用阶段,具体过程如下:
将训练好的生成模块参数θ载入至生成网络模块中,随机噪声模块经均匀噪声输入至生成网络模块,生成网络模块持续产生生成红外样本,生成输出模块保持生成红外样本为指定格式。
上面只是为了说明本发明,应该理解为本发明并不局限于以上实施例,符合本发明思想的各种变通形式均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红外目标样本增强方法,包括训练阶段和应用阶段,其特征在于,所述训练阶段由真实红外图像处理模块、判别网络模块、判别输出模块、随机噪声模块、生成网络模块组成,所述训练阶段包括以下步骤:
S1:通过真实红外图像处理模块将用于训练的红外图像进行处理进而得到真实红外样本,随后将真实红外样本输入至判别网络模块;
S2:通过随机噪声模块输出均匀噪声至生成网络模块进而得到生成红外样本,生成网络模块将生成红外样本输入至判别网络模块;
S3:真实红外样本、生成红外样本分别输入至判别网络模块并且对其进行判别;
S4:判别网络模块分别将真实红外样本、生成红外样本输入至判别输出模块并且计算真实红外样本与生成红外样本之间的分布距离,采用梯度下降法优化两者之间的距离,利用反向传播法优化判别网络模块参数ω和生成网络模块参数θ;
S5:直至判别网络模块无法有效识别真实红外样本、生成红外样本,生成红外样本可以以假乱真;
所述应用阶段由随机噪声模块、生成网络模块、生成输出模块组成,所述应用阶段包括以下步骤:
T1:载入训练好的参数至生成网络模块,随机噪声模块把均匀噪声输入至生成网络模块;
T2:生成网络模块持续输出生成红外样本并且将生成红外样本输入至生成输出模块;
T3:生成输出模块保存生成红外样本为指定格式。
2.根据权利要求1所述的一种基于生成对抗网络的红外目标样本增强方法,其特征在于,所述判别网络模块包括降噪层、三个卷积层和一个全链接层,所述降噪层由K个降噪器DN1,DN2,…,DNk、K个权重系数δ1,δ2,…,δk和加法器组成,所述S3包括以下步骤:
S3-1:样本进入降噪层后,利用降噪器对样本进行降噪并且获得降噪后图像{y1,y2,…,yk};
S3-2:降噪器输出的图像乘以权重系数,随后在加法器中融合,进而得到初步优化图像并满足约束/>
S3-3:经过降噪后的样本依次进入卷积层1、卷积层2、卷积层3、全链接层;
S3-4:输入的是真实红外样本,输出真;输入的是生成红外样本,输出假。
3.根据权利要求1所述的一种基于生成对抗网络的红外目标样本增强方法,其特征在于,所述生成网络模块包括全连接层、三个反卷积层和噪声层,所述S2中的均匀噪声依次进入全链接层、反卷积层1、反卷积层2、反卷积层3、噪声层并且输出生成红外样本。
4.根据权利要求1-3任一所述的一种基于生成对抗网络的红外目标样本增强方法,其特征在于,构造训练网络损失函数,生成红外样本分布与真实红外样本分布差值并且加上惩罚项,如下:
δk是常系数,DNk是确定的降噪器,K=3;
x~Pdata(x)是真实样本分布,Pg是生成样本分布,定义生成样本是噪声z在生成网络G下的分布;
x是真实样本,Dω是判别网络,是优化后的真实样本与生成样本连线上随机插值采样,/>
5.根据权利要求4所述的一种基于生成对抗网络的红外目标样本增强方法,其特征在于,所述S4中包括以下步骤:
S4-1:固定生成网络模块,训练判别网络模块,生成网络模块更新一次,判别网络模块迭代五次;
S4-2:固定判别网络模块,训练生成网络模块;
S4-3:不停重复S4-1、和S4-2操作,直到训练网络损失函数取得最小值并不在变化,此时系统性能达到最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210567968.7A CN114881884B (zh) | 2022-05-24 | 2022-05-24 | 一种基于生成对抗网络的红外目标样本增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210567968.7A CN114881884B (zh) | 2022-05-24 | 2022-05-24 | 一种基于生成对抗网络的红外目标样本增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114881884A CN114881884A (zh) | 2022-08-09 |
CN114881884B true CN114881884B (zh) | 2024-03-29 |
Family
ID=82678166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210567968.7A Active CN114881884B (zh) | 2022-05-24 | 2022-05-24 | 一种基于生成对抗网络的红外目标样本增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881884B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272140B (zh) * | 2022-09-29 | 2023-01-17 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 红外图像量化和增强方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448035A (zh) * | 2018-11-14 | 2019-03-08 | 重庆邮电大学 | 基于深度学习的红外图像与可见光图像配准方法 |
CN111814875A (zh) * | 2020-07-08 | 2020-10-23 | 西安电子科技大学 | 基于样式生成对抗网络的红外图像中舰船样本扩充方法 |
WO2021056843A1 (zh) * | 2019-09-27 | 2021-04-01 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置和图像生成方法及装置 |
WO2022067874A1 (zh) * | 2020-09-29 | 2022-04-07 | 中国科学院深圳先进技术研究院 | 图像数据增强网络的训练方法及其训练装置、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11842517B2 (en) * | 2019-04-12 | 2023-12-12 | Ultrahaptics Ip Ltd | Using iterative 3D-model fitting for domain adaptation of a hand-pose-estimation neural network |
-
2022
- 2022-05-24 CN CN202210567968.7A patent/CN114881884B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448035A (zh) * | 2018-11-14 | 2019-03-08 | 重庆邮电大学 | 基于深度学习的红外图像与可见光图像配准方法 |
WO2021056843A1 (zh) * | 2019-09-27 | 2021-04-01 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置和图像生成方法及装置 |
CN111814875A (zh) * | 2020-07-08 | 2020-10-23 | 西安电子科技大学 | 基于样式生成对抗网络的红外图像中舰船样本扩充方法 |
WO2022067874A1 (zh) * | 2020-09-29 | 2022-04-07 | 中国科学院深圳先进技术研究院 | 图像数据增强网络的训练方法及其训练装置、存储介质 |
Non-Patent Citations (2)
Title |
---|
基于双重对抗自编码网络的红外目标建模方法;苗壮;张湧;李伟华;;光学学报;20200610(11);全文 * |
朱克凡 ; 王杰贵 ; .小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法.系统工程与电子技术.(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114881884A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113096234B (zh) | 利用多张彩色图片生成三维网格模型的方法及装置 | |
CN111783545A (zh) | 一种基于生成对抗网络的煤矿无人机图像增强方法 | |
CN114881884B (zh) | 一种基于生成对抗网络的红外目标样本增强方法 | |
CN112614077A (zh) | 一种基于生成对抗网络的非监督低照度图像增强方法 | |
CN112084934B (zh) | 基于骨骼数据双通道深度可分离卷积的行为识别方法 | |
CN112149962B (zh) | 一种施工事故致因行为的风险定量评估方法及系统 | |
CN112529789B (zh) | 一种城市可见光遥感图像阴影去除的弱监督方法 | |
CN111861906A (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
CN114600154A (zh) | 用于sem图像的bbp辅助缺陷检测流程 | |
CN116343330A (zh) | 一种红外-可见光图像融合的异常行为识别方法 | |
CN113688869A (zh) | 一种基于生成对抗网络的光伏数据缺失重构方法 | |
CN112380997A (zh) | 基于深度学习的机型识别和起落架收放检测方法 | |
CN113487115A (zh) | 一种蒸汽驱油藏温度场的预测方法及系统 | |
CN113656918B (zh) | 一种应用于成品高架库场景的四旋翼仿真测试方法 | |
CN110705613A (zh) | 物体分类方法 | |
CN113011446B (zh) | 一种基于多源异构数据学习的智能目标识别方法 | |
CN115860113A (zh) | 一种自对抗神经网络模型的训练方法及相关装置 | |
Chen et al. | Deep generative models for geometric design under uncertainty | |
CN113365282B (zh) | 一种wsn障碍性区域覆盖部署方法 | |
CN112097673B (zh) | 车身部件虚拟匹配方法和系统 | |
Xiao et al. | The objective measurement method of minimum resolvable temperature difference for infrared imaging system based on ANFIS | |
Meitzler et al. | Predicting search time in visually cluttered scenes using the fuzzy logic approach | |
CN117408164B (zh) | 储能辅助黑启动的风速智能预测方法及系统 | |
CN117437230B (zh) | 基于图像修复的光伏电站功率预测方法及系统 | |
CN114529484B (zh) | 针对成像中直流分量变化的深度学习样本增强方法 |
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 |