CN117408991A - 基于对抗重构的图像异常检测方法、装置及存储介质 - Google Patents

基于对抗重构的图像异常检测方法、装置及存储介质 Download PDF

Info

Publication number
CN117408991A
CN117408991A CN202311507273.0A CN202311507273A CN117408991A CN 117408991 A CN117408991 A CN 117408991A CN 202311507273 A CN202311507273 A CN 202311507273A CN 117408991 A CN117408991 A CN 117408991A
Authority
CN
China
Prior art keywords
image
discriminator
label
generator
abnormal
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
Application number
CN202311507273.0A
Other languages
English (en)
Inventor
胡亮
黄周
李聪聪
展华益
王镜宇
陶原野
郑敏娥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Qiruike Technology Co Ltd
Sichuan Changhong Electronic Holding Group Co Ltd
Original Assignee
Sichuan Qiruike Technology Co Ltd
Sichuan Changhong Electronic Holding Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Qiruike Technology Co Ltd, Sichuan Changhong Electronic Holding Group Co Ltd filed Critical Sichuan Qiruike Technology Co Ltd
Priority to CN202311507273.0A priority Critical patent/CN117408991A/zh
Publication of CN117408991A publication Critical patent/CN117408991A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial 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
    • G06T2207/20081—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于对抗重构的图像异常检测方法、装置及存储介质，其中检测方法包括S1、构造异常图像，并将其输入生成器中，生成第一标签图像；S2、将第一标签图像和异常图像对应的真实标签图像输入判别器，并联合生成器进行重构和对抗训练，得到第一生成器和第一判别器；S3、将异常图像及其对应的正常图像输入第一生成器中，生成两张第二标签图像，将第二标签图像输入第一判别器中进行第二次训练，得到第二判别器；S4、将待检图像输入第一生成器中，输出待检图像的预测标签图像，再将预测标签图像输入第二判别器中进行异常检测。

Description

基于对抗重构的图像异常检测方法、装置及存储介质
技术领域
本发明涉及图像异常检测技术，具体涉及一种基于对抗重构的图像异常检测方法、装置及存储介质。
背景技术
图像异常检测是计算机视觉中一个日益重要的任务，其在工业产品的外观质检领域中得以大量推广，并大幅提高了工业产品外观质检的检测精度和检测效率。图像异常检测应用于工业产品外观质检时，一个重大挑战是缺乏异常训练数据，这也限制了有监督方法的应用。因此，现有的工作一般将图像异常检测定义为一个无监督学习问题，该问题要求在只有正常样本的情况下进行建模。
为了提高检测精度，有些无监督异常检测方案引入了生成对抗网络，包括中国专利CN202211083396.1、中国专利CN202310575040.8、中国专利CN202211294921.4、中国专利CN202111444489.8、中国专利CN202110993562.0、中国专利CN202110033380.9等。这些方案的问题在于，它们的生成器的生成目标是现实世界中复杂的真实图像，然而由于生成对抗网络训练过程的不稳定性，生成器想要生成逼真的图像难度很大；同时这些方案并没有对判别器进行专门的异常检测任务的训练，因此其判别器判别图像是否有异常的能力很弱。
发明内容
针对现有技术中的上述不足，本发明提供的基于对抗重构的图像异常检测方法、装置及存储介质解决了现有异常检测时生成逼真的图像难度大和异常检测能力差的问题。
为了达到上述发明目的，本发明采用的技术方案为：
第一方面，提供一种基于对抗重构的图像异常检测方法，其包括步骤：
S1、构造异常图像，并将其输入生成器中，生成第一标签图像；
S2、将第一标签图像和异常图像对应的真实标签图像输入判别器，并联合生成器进行重构和对抗训练，得到第一生成器和第一判别器；
S3、将异常图像及其对应的正常图像输入第一生成器中，生成两张第二标签图像，将第二标签图像输入第一判别器中，对所述第一判别器进行第二次训练，得到第二判别器；
S4、将待检图像输入第一生成器中，输出待检图像的预测标签图像，再将预测标签图像输入第二判别器中进行异常检测。
进一步地，构造异常图像的方法包括：
S11、随机生成异常区域掩码Ma，Ma与正常图像大小相同，且每个元素的值取为0或1；
S12、根据异常区域掩码Ma，生成正常图像的异常图像Ia：
其中，⊙为逐元素相乘，I为正常图像，A为与正常图像I相同大小的自然图像，为Ma的补，/>为与Ma相同大小的元素值全为1的矩阵。
进一步地，进行重构和对抗训练的方法包括：
S21、固定判别器，训练生成器使得损失函数最小化；
S22、固定生成器，训练判别器使得损失函数最大化；
S23、交替迭代步骤S21和步骤S22，直至达到停止训练的条件。
进一步地，所述损失函数L的表达式为：
L＝λ1Lrec+λ2Ladv
其中，Lrec为重构损失，Ladv为对抗损失，λ1和λ2分别为重构损失和对抗损失的权重值，Ia为异常图像，Ma为异常区域掩码，为第一标签图像，Ma(i)为Ma的第i个像素，/>为/>的第i个像素，Ω为Ma的总像素数量，G为生成器，D为判别器。
进一步地，对所述第一判别器进行第二次训练时对应的损失函数Lbce的表达式为：
其中，为判别器D的输出，y为输入图像的真实标签值；以/>表示正常图像对应的第二标签图像，/>表示异常图像对应的第二标签图像，则当/>即输入图像为正常图像时，y取值为0；当/>即输入图像为异常图像时，y取值为1。
进一步地，第二判别器进行异常检测时，当其输出值小于等于预设值时，则待检图像无异常；当其输出值大于预设值时，则待检图像存在异常，此时采用0值填补预测标签图像周围预设数量像素，并选择预设大小的区域，进行步长为1的平均池化，平均池化之后大于预设值的像素区域为异常区域。
进一步地，所述生成器为U-Net网络。
第二方面，提供一种基于对抗重构的图像异常检测装置，其包括：
异常构造模块，用于构造异常图像，并将其输入生成器中，生成第一标签图像；
第一训练模块，用于将第一标签图像和异常图像对应的真实标签图像输入判别器，并联合生成器进行重构和对抗训练，得到第一生成器和第一判别器；
第二训练模块，用于将异常图像及其对应的正常图像输入第一生成器中，生成两张第二标签图像，将第二标签图像输入第一判别器中进行第二次训练，得到第二判别器；
异常检测模块，用于将待检图像输入第一生成器中，输出待检图像的预测标签图像，再将预测标签图像输入第二判别器中进行异常检测。
第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现基于对抗重构的图像异常检测方法。
本发明的有益效果为：本方案降低生成器要生成的目标图像的复杂度，生成器不再需要生成复杂的真实图像，而是生成真实图像的掩码图像，它是一个二值图像，像素值只取0或1两个值，这样可以很容易生成逼近真实掩码图像的标签图像，提升异常检测的性能；此外本发明用正常图像和异常图像的标签图像对判别器进行二次训练，使其具备对异常的强判别能力。
附图说明
图1为本发明基于对抗重构的图像异常检测方法的流程图。
图2为本发明实施例1中生成器的网络结构图。
图3为本发明实施例1中判别器的网络结构图。
图4为图2和图3中卷积块A的结构。
图5为图2中卷积块B的结构。
图6为图2中卷积块C的结构。
图7为本发明实施例2中基于对抗重构的图像异常检测装置的示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1
参考图1，图1示出了一种基于对抗重构的图像异常检测方法的流程图；如图1所示，该方法S包括步骤S1～步骤S4。
在步骤S1中，构造异常图像，并将其输入生成器中，生成第一标签图像；具体地，标签图像指的是由预测输入图像每个像素为异常像素的概率值构成的图像。
实施时，本方案优选构造异常图像的方法包括：
S11、随机生成异常区域掩码Ma，Ma与正常图像大小相同，且每个元素的值取为0或1；
S12、根据异常区域掩码Ma，生成正常图像的异常图像Ia：
其中，⊙为逐元素相乘，I为正常图像，A为与正常图像I相同大小的自然图像，为Ma的补，/>为与Ma相同大小的元素值全为1的矩阵。
本实施例中，通过柏林噪声生成和正常图像同样大小的256×256分辨率的噪声图像，并把噪声值映射到[0，1]区间中；之后在[0，1]区间的均匀分布上随机采样一个数a，并将所述噪声图像中大于a的噪声值置1，不超过a的噪声值置0，得到异常区域掩码Ma；最后按公式构建异常图像，其中A从公开数据集ImageNet随机抽取，并缩放到和正常图像I同样大小。
在现有方案中，引入对抗重构思想的检测方法的做法是生成输入的重构版图像。然而由于生成对抗网络训练过程的不稳定性，生成器想要生成逼真的图像难度较大，特别是图像分辨率很高时，因为逼真图像的像素值通常取0到255的256个值；而本方案是生成真实图像的掩码图像，它是一个二值图像，像素值只取0或1两个值，可以很好的解决现有技术中生成真实图像难度大的问题。
在步骤S2中，将第一标签图像和异常图像对应的真实标签图像输入判别器，并联合生成器进行重构和对抗训练，得到第一生成器和第一判别器；本步骤的真实标签为异常区域掩码Ma。
在本发明的一个实施例中，重构和对抗训练包括：
S21、固定判别器，训练生成器使得损失函数最小化；
S22、固定生成器，训练判别器使得损失函数最大化；
S23、交替迭代步骤S21和步骤S22，直至达到停止训练的条件。
本实施例中，对抗训练时Batchsize为8，学习率设置为0.0001，选择Adam优化器，迭代800个epochs后停止训练。
其中，损失函数L的表达式为：
L＝λ1Lrec+λ2Ladv
其中，Lrec为重构损失，Ladv为对抗损失，λ1和λ2分别为重构损失和对抗损失的权重值，Ia为异常图像，Ma为异常区域掩码，为第一标签图像，Ma(i)为Ma的第i个像素，/>为/>的第i个像素，Ω为Ma的总像素数量，G为生成器，D为判别器。本实施例中，由于正常图像大小为256×256，所以Ω＝256*256＝65536，同时取λ1＝10，λ2＝0.1。
在步骤S3中，将异常图像及其对应的正常图像输入第一生成器中，生成两张第二标签图像，将第二标签图像输入第一判别器中，对所述第一判别器进行第二次训练，得到第二判别器；本步骤的详细实现过程如下：
S31、将正常图像I和异常图像Ia输入到第一生成器中，生成相应的第二标签图像和/>本方案将生成的标签图像/>和/>分别看作类别0和类别1的样本，以分类任务的形式对判别器执行第二次训练。
S32、将和/>输入到第一判别器中，对其进行第二次训练，训练的损失函数为：
其中，为判别器D的输出，y为输入图像的真实标签值；以/>表示正常图像对应的第二标签图像，/>表示异常图像对应的第二标签图像，则当/>即输入图像为正常图像时，y取值为0；当/>即输入图像为异常图像时，y取值为1。现有方案并没有对判别器进行二次训练，因此判别器判别图像是否有异常的能力很弱；本发明用正常图像和异常图像的第二标签图像对判别器进行二次训练，使其具备对异常的强判别能力。
在步骤S4中，将待检图像输入第一生成器中，输出待检图像的预测标签图像，再将预测标签图像输入第二判别器中进行异常检测。
实施时，本方案优选第二判别器进行异常检测时，当其输出值小于等于预设值时，则待检图像无异常；当其输出值大于预设值时，则待检图像存在异常，此时采用0值填补预测标签图像周围预设数量像素，并选择预设大小的区域，进行步长为1的平均池化，平均池化之后大于预设值的像素区域为异常区域。
本方案优选预设值为0.5，预设数量像素为9个像素，预设大小的区域为19×19大小的区域。
本方案的生成器为U-Net网络，其网络结构可以参考图2；判别器的网络结构可以参考图3。在图2和图3中，每个块上方的数字，比如512指输出特征的通道数，(32，32)表示输出的特征大小；图2和图3中，卷积块层A的结构如图4所示，卷积块层B的结构如图5所示，卷积块层C的结构如图6所示。
实施例2
本实施例在实施例1的基础上还提供了一种基于对抗重构的图像异常检测装置(该装置的原理框图可以参考图7)，其包括：
异常构造模块，用于构造异常图像，并将其输入生成器中，生成第一标签图像；
第一训练模块，用于将第一标签图像和异常图像对应的真实标签图像输入判别器，并联合生成器进行重构和对抗训练，得到第一生成器和第一判别器；
第二训练模块，用于将异常图像及其对应的正常图像输入第一生成器中，生成两张第二标签图像，将第二标签图像输入第一判别器中进行第二次训练，得到第二判别器；
异常检测模块，用于将待检图像输入第一生成器中，输出待检图像的预测标签图像，再将预测标签图像输入第二判别器中进行异常检测。
实施例3
本实施例在实施例1的基础上还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现基于对抗重构的图像异常检测方法。
综上所述，本方案可以很容易生成逼近真实掩码图像的标签图像，以提升异常检测的性能；同时本方案通过对判别器进行二次训练，使其具备对异常的强判别能力。

Claims (9)

1.基于对抗重构的图像异常检测方法，其特征在于，包括步骤：
S1、构造异常图像，并将其输入生成器中，生成第一标签图像；
S2、将第一标签图像和异常图像对应的真实标签图像输入判别器，并联合生成器进行重构和对抗训练，得到第一生成器和第一判别器；
S3、将异常图像及其对应的正常图像输入第一生成器中，生成两张第二标签图像，将第二标签图像输入第一判别器中，对所述第一判别器进行第二次训练，得到第二判别器；
S4、将待检图像输入第一生成器中，输出待检图像的预测标签图像，再将预测标签图像输入第二判别器中进行异常检测。
2.根据权利要求1所述的基于对抗重构的图像异常检测方法，其特征在于，构造异常图像的方法包括：
S11、随机生成异常区域掩码Ma，Ma与正常图像大小相同，且每个元素的值取为0或1；
S12、根据异常区域掩码Ma，生成正常图像的异常图像Ia：
其中，⊙为逐元素相乘，I为正常图像，A为与正常图像I相同大小的自然图像，为Ma的补，/>为与Ma相同大小的元素值全为1的矩阵。
3.根据权利要求1所述的基于对抗重构的图像异常检测方法，其特征在于，所述重构和对抗训练包括：
S21、固定判别器，训练生成器使得损失函数最小化；
S22、固定生成器，训练判别器使得损失函数最大化；
S23、交替迭代步骤S21和步骤S22，直至达到停止训练的条件。
4.根据权利要求3所述的基于对抗重构的图像异常检测方法，其特征在于，所述损失函数L的表达式为：
L＝λ1Lrec+λ2Ladv
其中，Lrec为重构损失，Ladv为对抗损失，λ1和λ2分别为重构损失和对抗损失的权重值，Ia为异常图像，Ma为异常区域掩码，为第一标签图像，Ma(i)为Ma的第i个像素，/>为的第i个像素，Ω为Ma的总像素数量，G为生成器，D为判别器。
5.根据权利要求1所述的基于对抗重构的图像异常检测方法，其特征在于，对所述第一判别器进行第二次训练时对应的损失函数Lbce的表达式为：
其中，为判别器D的输出，y为输入图像的真实标签值；以/>表示正常图像对应的第二标签图像，/>表示异常图像对应的第二标签图像，则当/>即输入图像为正常图像时，y取值为0；当/>即输入图像为异常图像时，y取值为1。
6.根据权利要求1所述的基于对抗重构的图像异常检测方法，其特征在于，第二判别器进行异常检测时，当其输出值小于等于预设值时，则待检图像无异常；当其输出值大于预设值时，则待检图像存在异常，此时采用0值填补预测标签图像周围预设数量像素，并选择预设大小的区域，进行步长为1的平均池化，平均池化之后大于预设值的像素区域为异常区域。
7.根据权利要求1所述的基于对抗重构的图像异常检测方法，其特征在于，所述生成器为U-Net网络。
8.一种基于对抗重构的图像异常检测装置，其特征在于，包括：
异常构造模块，用于构造异常图像，并将其输入生成器中，生成第一标签图像；
第一训练模块，用于将第一标签图像和异常图像对应的真实标签图像输入判别器，并联合生成器进行重构和对抗训练，得到第一生成器和第一判别器；
第二训练模块，用于将异常图像及其对应的正常图像输入第一生成器中，生成两张第二标签图像，将第二标签图像输入第一判别器中进行第二次训练，得到第二判别器；
异常检测模块，用于将待检图像输入第一生成器中，输出待检图像的预测标签图像，再将预测标签图像输入第二判别器中进行异常检测。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的基于对抗重构的图像异常检测方法。
CN202311507273.0A 2023-11-10 2023-11-10 基于对抗重构的图像异常检测方法、装置及存储介质 Pending CN117408991A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311507273.0A CN117408991A (zh) 2023-11-10 2023-11-10 基于对抗重构的图像异常检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311507273.0A CN117408991A (zh) 2023-11-10 2023-11-10 基于对抗重构的图像异常检测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN117408991A true CN117408991A (zh) 2024-01-16

Family

ID=89499861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311507273.0A Pending CN117408991A (zh) 2023-11-10 2023-11-10 基于对抗重构的图像异常检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117408991A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649695A (zh) * 2024-01-30 2024-03-05 深圳市宗匠科技有限公司 一种人脸图像生成方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649695A (zh) * 2024-01-30 2024-03-05 深圳市宗匠科技有限公司 一种人脸图像生成方法、装置、设备及存储介质
CN117649695B (zh) * 2024-01-30 2024-04-12 深圳市宗匠科技有限公司 一种人脸图像生成方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Wang et al. SaliencyGAN: Deep learning semisupervised salient object detection in the fog of IoT
Zhang et al. DCSR: Dilated convolutions for single image super-resolution
WO2018039904A1 (zh) 一种基于块稀疏压缩感知的红外图像重构方法及其系统
CN113592718A (zh) 基于多尺度残差网络的矿井图像超分辨率重建方法及系统
Sun et al. Hybrid pixel-unshuffled network for lightweight image super-resolution
CN113689517B (zh) 一种多尺度通道注意力网络的图像纹理合成方法及系统
CN112686119B (zh) 基于自注意力生成对抗网络的车牌运动模糊图像处理方法
CN109801232A (zh) 一种基于深度学习的单幅图像去雾方法
CN117408991A (zh) 基于对抗重构的图像异常检测方法、装置及存储介质
CN110189260B (zh) 一种基于多尺度并行门控神经网络的图像降噪方法
Sun et al. Multiscale generative adversarial network for real‐world super‐resolution
CN111696038A (zh) 图像超分辨率方法、装置、设备及计算机可读存储介质
CN110852948A (zh) 基于特征相关性的图像超分辨方法、存储介质及终端设备
CN111861886A (zh) 一种基于多尺度反馈网络的图像超分辨率重建方法
CN115147426A (zh) 基于半监督学习的模型训练与图像分割方法和系统
Shen et al. Mutual information-driven triple interaction network for efficient image dehazing
CN114119987A (zh) 基于卷积神经网络的特征提取和描述子生成方法及系统
CN115860113B (zh) 一种自对抗神经网络模型的训练方法及相关装置
CN116341004B (zh) 一种基于特征嵌入分析的纵向联邦学习隐私泄露检测方法
Wu et al. Multi-scale non-local attention network for image super-resolution
CN117173022A (zh) 基于多路径融合和注意力的遥感图像超分辨率重建方法
CN116824232A (zh) 一种数据填充式的深度神经网络图像分类模型对抗训练方法
CN115457365A (zh) 一种模型的解释方法、装置、电子设备及存储介质
Schreiber et al. Monocular depth estimation using synthetic data for an augmented reality training system in laparoscopic surgery
Luo et al. Content-adaptive adversarial embedding for image steganography using deep reinforcement learning

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