-
题名基于深度学习的非定常周期性流动预测方法
被引量：16
- 1
-
-
作者
惠心雨
袁泽龙
白俊强
张扬
陈刚
-
机构
西北工业大学航空学院
西安交通大学机械结构强度与振动国家重点实验室
-
出处
《空气动力学学报》
CSCD
北大核心
2019年第3期462-469,共8页
-
基金
国家自然科学基金(11602199)
-
文摘
为了克服传统CFD计算需要耗费大量的计算时间与成本的缺陷,提出了一种基于深度学习的非定常周期性流场的预测框架,可以实时生成给定状态的高可信度的流场结果。将条件生成对抗网络与卷积神经网络相结合,改进条件生成对抗网络对生成样本的约束方法,建立了基于深度学习策略采用改进的回归生成对抗网络模型,并与常规的条件生成对抗网络模型的预测结果进行对比。研究表明,基于改进的回归生成对抗网络的深度学习策略能准确预测出指定时刻的流场变量,且总时长比CFD数值模拟减少至少1个量级。
-
关键词
深度学习
卷积神经网络
生成对抗网络
回归
非定常流场
预测
-
Keywords
deep learning
convolutional neural network
generativeadversarial networks
regression
unsteady flow
prediction
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名迈向创造性语言生成:汉语幽默自动生成的探索
被引量：4
- 2
-
-
作者
谭红叶
闫真
李茹
敬毅民
-
机构
山西大学计算机与信息技术学院
计算智能与中文信息处理教育部重点实验室
-
出处
《中国科学：信息科学》
CSCD
北大核心
2018年第11期1497-1509,共13页
-
基金
国家自然科学基金(批准号:61673248
61772324)
山西省"1331工程"重点学科建设计划资助项目
-
文摘
幽默生成是计算创造性任务之一,能够赋予计算机一定的个性化与创造性,而且可以提升用户体验.本文以笑话的生成进行汉语幽默生成的探索性研究.首先提出一个符合当前自然语言生成技术的笑话生成任务:给定笑话的主体部分,生成相应的笑点句.然后,尝试了基于经典编码器–解码器框架的方法与基于生成对抗网络的方法来完成该任务.为了克服编码器–解码器框架中对幽默特点没有建模的局限,本文在生成对抗网络方法中融入了歧义性、不一致性、语音相似性、普遍性等笑话属性特征来评价、指导笑话的生成.实验结果表明:在生成对抗网络方法中融入笑话属性特征后,系统输出构成笑话的比例提升6个百分点.尽管从总体来看系统自动生成的笑点句构成笑话的比例还偏低,但本文通过对幽默生成问题的研究探索,带动了对创造性语言生成问题的洞察与理解,标志着我们向创造性语言生成的探索迈进了一步.
-
关键词
幽默生成
笑话生成
深度学习
编码器–解码器框架
生成对抗网络
-
Keywords
generation of humors
generation of jokes
eep learning
encoder-decoder framework
generativeadversarial networks
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名基于约束性循环一致生成对抗网络的人脸表情识别方法
被引量：4
- 3
-
-
作者
胡敏
余胜男
王晓华
-
机构
合肥工业大学计算机与信息学院情感计算与先进智能机器安徽省重点实验室
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2019年第4期169-177,共9页
-
基金
国家自然科学基金项目(61672202
61432004
+2 种基金
61502141)
国家自然科学基金-深圳联合基金重点项目(U1613217)
安徽高校省级自然科学研究重点项目(KJ2017A368)资助
-
文摘
深度神经网络在表情分类识别中会由于样本数量不均衡,样本相似度高出现过拟合,导致识别结果不理想,而通过旋转变换、添加噪声等数据增强方法不能解决相似度较高的问题。为此,对循环一致生成对抗网络(Cycle-GAN)进行改进,通过引入类别约束性条件,构建一种基于约束性循环一致生成对抗网络(CCycle-GAN),实现了一对多的数据类别映射,减少了模型训练开销;同时,为了提高人脸表情识别效率,对Cycle-GAN判别器进行改进,用一个辅助表情分类器替换循环一致生成对抗网络的判别器,不仅可以判断输入图像的真假,而且可以对表情进行分类。在CK+和FER2013数据集上的实验结果表明,该方法可以有效地解决神经网络中的过拟合和样本不均问题,提高了表情样本生成质量,进而提高了人脸表情识别率。
-
关键词
约束性循环一致生成对抗网络
数据增强
人脸表情识别
-
Keywords
constraint cycle-consistent generativeadversarial networks
data enhancement
facial expression recognition
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于条件能量对抗网络的肝脏和肝肿瘤分割
被引量：5
- 4
-
-
作者
闫谙
王卫卫
-
机构
西安电子科技大学数学与统计学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2021年第11期179-184,共6页
-
基金
国家自然科学基金(61972264,61472303,61772389)。
-
文摘
从图像中分割出肝脏和肝肿瘤是肝部疾病诊断重要手段之一,现有基于卷积神经网络(Convolutional Neural Network,CNN)方法通过为输入图像中每个像素分配类别标签来实现肝脏和肝肿瘤分割。CNN在对每个像素分类过程中没有使用邻域内其他像素类别信息,容易出现小目标漏检和目标边界分割模糊问题。针对这些问题,提出了条件能量对抗网络用于肝脏和肝肿瘤分割。该方法基于能量生成对抗网络(Energy-Based Generative Adversarial Network,EBGAN)和条件生成对抗网络(Conditional Generative Adversarial Network,CGAN),使用一个基于CNN的分割网络作为生成器与一个自编码器作为判别器,通过将判别器作为一种损失函数来度量并提升分割结果与真实标注之间的相似度。在对抗训练过程中,判别器将生成器输出的分割结果作为输入并将原始图像作为条件约束,通过学习像素类别之间的高阶一致性提高分割精度,使用能量函数作为判别器避免了对抗网络训练中容易出现的梯度消失或梯度爆炸,更易于训练。在MICCAI 2017肝肿瘤分割(LiTS)挑战赛的数据集和3DIRCADb数据集上对提出的方法进行验证,实验结果表明,该方法不仅实现了肝脏与肝肿瘤的自动分割,还利用像素类别之间的高阶一致性提升了肿瘤和肝脏边界的分割精度,减少了小体积肿瘤的漏检。
-
关键词
肝脏分割
肝肿瘤分割
Unet
能量生成对抗网络(EBGAN)
-
Keywords
liver segmentation
liver tumor segmentation
Unet
Energy-Based generativeadversarial network(EBGAN)
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
