-
题名融合自注意力机制和相对鉴别的无监督图像翻译
被引量：10
- 1
-
-
作者
林泓
任硕
杨益
张杨忆
-
机构
武汉理工大学计算机科学与技术学院
-
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2021年第9期2226-2237,共12页
-
文摘
无监督图像翻译使用非配对训练数据能够完成图像中对象变换、季节转移、卫星与路网图相互转换等多种图像翻译任务.针对基于生成对抗网络(Generative adversarial network,GAN)的无监督图像翻译中训练过程不稳定、无关域改变较大而导致翻译图像细节模糊、真实性低的问题,本文基于对偶学习提出一种融合自注意力机制和相对鉴别的无监督图像翻译方法.首先,生成器引入自注意力机制加强图像生成过程中像素间远近距离的关联关系,在低、高卷积层间增加跳跃连接,降低无关图像域特征信息损失.其次,判别器使用谱规范化防止因鉴别能力突变造成的梯度消失,增强训练过程中整体模型的稳定性.最后,在损失函数中基于循环重构增加自我重构一致性约束条件,专注目标域的转变,设计相对鉴别对抗损失指导生成器和判别器之间的零和博弈,完成无监督的图像翻译.在Horse&Zebra、Summer&Winter以及AerialPhoto&Map数据集上的实验结果表明:相较于现有GAN的图像翻译方法,本文能够建立更真实的图像域映射关系,提高了生成图像的翻译质量.
-
关键词
图像翻译
对偶学习
生成对抗网络
自注意力机制
相对鉴别
无监督学习
-
Keywords
Image-to-image translation
dual learning
generative adversarial networks(GAN)
self-attention
relativistic discriminator
unsupervised learning
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进CycleGAN的粉笔字书写风格迁移研究
- 2
-
-
作者
陈二开
李成城
邬友
武美玲
-
机构
内蒙古师范大学计算机科学技术学院
内蒙古师范大学科技处
吕梁职业技术学院
-
出处
《印刷与数字媒体技术研究》
CAS
北大核心
2024年第6期100-109,共10页
-
基金
内蒙古自治区自然科学基金项目--基于深度学习的国家通用语言文字脱机手写笔画顺序识别(No.2024LHMS06019)。
-
文摘
针对采用循环一致性生成对抗网络(Cycle-consistent generative adversarial network,CycleGAN)进行粉笔字书写风格迁移时,生成的字体存在笔画缺失和模糊等问题,本研究提出改进CycleGAN的粉笔字生成算法。在原始CycleGAN基础上融合自注意力机制来提取粉笔字书法字体的风格特征,并在自注意力机制中使用最大池化和缩放点积来进一步提升模型捕获汉字全局特征的能力。使用相对鉴别生成对抗损失函数改进原网络中的损失函数,以引入先验知识并增强判别器的能力。实验结果表明,使用改进后的模型在学习粉笔字书写风格后生成的字体笔画更加完整,细节更加清晰。
-
关键词
粉笔字
风格迁移
CycleGAN
自注意力机制
相对鉴别生成对抗损失函数
-
Keywords
Chalk calligraphy
Style transfer
CycleGAN
Self-Attention mechanism
Relative discriminative generative adversarial loss function
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TS801.8
[自动化与计算机技术—计算机科学与技术]
-
-
题名结合注意力机制的相对GAN螺栓图像生成
被引量：10
- 3
-
-
作者
戚银城
郎静宜
赵振兵
江爱雪
聂礼强
-
机构
华北电力大学电气与电子工程学院
山东大学计算机科学与技术学院
-
出处
《电测与仪表》
北大核心
2019年第19期64-69,共6页
-
基金
国家自然科学基金资助项目(61871182、61401154、61773160、61302163)
北京市自然科学基金项目(4192055)
+2 种基金
河北省自然科学基金项目(F2016502101、F2017502016、F2015502062)
中央高校基本科研业务费专项资金项目(2018MS095、2018MS094)
模式识别国家重点实验室开放课题基金(201900051)
-
文摘
螺栓缺陷非常容易引起输电线路异常甚至故障,但大量的缺陷数据难以获得。将生成式对抗网络应用于缺陷螺栓图像的生成,针对生成过程中存在的图像质量差、生成样本单一,模型收敛缓慢等问题,提出一种基于改进DCGAN的螺栓图像生成方法。在损失函数中加入相对均值鉴别器和梯度惩罚,平衡了生成器和判别器的能力,提高了样本质量和模型的收敛速度;在模型的生成器和鉴别器中引入注意力机制,捕获图像中长距离的像素特征,提高了缺陷样本的多样性;实验结果验证了改进方法的有效性,IS值提高了0.1,实现了缺陷样本的扩增。
-
关键词
螺栓
生成式对抗网络
相对均值鉴别器
梯度惩罚
注意力机制
-
Keywords
bolt
generative adversarial networks (GAN)
relativistic average discriminator
gradient penalty
attention mechanism
-
分类号
TM726
[电气工程—电力系统及自动化]
-
