- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
面向任务的生成对抗网络在极化合成孔径雷达图像分类与聚类中的应用
摘要： 基于生成对抗网络（GAN），本文提出了一种名为任务导向型GAN的新版本，用于解决极化合成孔径雷达（PolSAR）图像解译中的难题，包括PolSAR数据分析和样本量不足问题。除GAN中典型的生成器（G-Net）和判别器（D-Net）两部分外，任务导向型GAN还包含第三部分——任务网络（T-Net），其用于完成特定任务。本文研究了PolSAR图像分类与聚类两项任务，其中T-Net分别作为分类器和聚类器。任务导向型GAN的学习过程分为两个主要阶段：第一阶段中，G-Net与D-Net像常规GAN那样相互博弈；第二阶段中，通过T-Net调整并引导G-Net，从而生成更多有利于任务的样本（称为伪数据）。因此，任务导向型GAN不仅具备GAN的优势（无假设数据建模），还克服了GAN的缺陷（无任务导向）。学习完成后，伪数据被用于扩充训练集以避免过拟合，使得该方法即使在人工标注数据较少时仍表现良好。为验证T-Net的有效性，文中提供了可视化对比，展示了任务导向型GAN与常规GAN生成的伪数字样本。此外，考虑到PolSAR数据与常规数据的显著差异，在PolSAR图像分类与聚类任务中，我们将特定的PolSAR信息嵌入任务导向型GAN结构中。这使得研究人员无需任何数据假设即可挖掘PolSAR数据的内在信息，同时解决小样本问题。在三个PolSAR图像上的实验结果表明，所提方法在处理PolSAR图像分类与聚类任务时表现优异。
关键词： 生成对抗网络（GAN）、面向任务、聚类、极化合成孔径雷达图像分类
更新于2025-09-23 15:22:29
-
[IEEE 2018年第五届越南国家科学基金会信息与计算机科学会议(NICS) - 越南胡志明市 (2018.11.23-2018.11.24)] 2018年第五届越南国家科学基金会信息与计算机科学会议(NICS) - 基于深度生成对抗网络的牌照图像联合去模糊与二值化方法
摘要： 图像去模糊是一个高度不适定的逆问题，其目标是从模糊图像中（无论是否了解模糊过程）估计出清晰图像。尽管基于模型的图像去模糊方法（其中反卷积是恢复清晰图像的主要步骤）已取得成功，但在实际应用中仍存在局限——尤其是当物体运动、相机运动、成像设备非均匀灵敏度等多种因素共同影响成像过程时。在移动车辆的自动车牌识别（ALPR）中，模糊图像会严重降低识别准确率。同时，虽然车牌二值化图像在ALPR系统中具有重要作用，但其精度很大程度上受模糊图像影响。本文采用基于生成对抗网络的深度架构，联合执行车牌图像的去模糊与二值化处理。我们的模型直接从模糊图像映射到二值图像，无需像传统方法那样经过去模糊步骤。该方法的创新性在于：对于移动物体而言，获取真实清晰的标注车牌较为困难，而准确的二值图像却可以从模糊图像中人工推导获得。
关键词： 逆问题、车牌去模糊、图像去模糊、生成对抗网络（GAN）
更新于2025-09-23 15:22:29
-
基于上下文编码器的有限角度迭代重建算法与投影数据补全在微CT中的应用开发
摘要： 有限角度迭代重建（LAIR）通过减小投影角度范围来降低计算机断层扫描（CT）成像所需的辐射剂量。我们开发了一种基于图像质量的停止标准方法，并采用灵活创新的仪器设计，与LAIR结合使用时可提供与传统CT系统相当的图像质量。本研究描述了针对微CT系统应用构建的不同扫描采集方案。以全采样Feldkamp（FDK）重建图像作为参考基准，用于评估这些测试方案产生的图像质量。通过将上下文编码器（CE，一种生成对抗网络）应用于LAIR过程，对正弦图的不足部分进行修复。该上下文图像经过编码器处理以提取特征，并通过通道全连接层与解码器相连。结果表明这种新方法具有卓越性能：即使将辐射剂量减少至1/4，基于迭代的LAIR仍使半高宽、对比噪声比和信噪比较全采样FDK重建提升20%至40%。数据证实这种基于CE的正弦图补全方法增强了LAIR的效能与效率，使得有限角度重建成为可行方案。
关键词： 生成对抗网络（GAN）、上下文编码器（CE）、有限角度迭代重建（LAIR）
更新于2025-09-23 19:37:51
-
利用生成对抗网络增强自混合干涉信号以实现激光计量传感应用
摘要： 自混合干涉（SMI）激光传感器的测量性能会因噪声存在而受到显著影响。传统信号增强技术由于仅处理频域信号、主要依赖一阶统计量、丢失高频段重要信息及仅能应对有限噪声类型等局限，会导致性能下降。为此，我们提出基于生成对抗网络（主流深度学习方案）的解决方案，用于增强受多种噪声污染的SMI信号。该方法利用深度网络从大量样本中学习任意噪声分布的特性，通过端到端训练深度网络模型，可直接处理原始波形，学习包含285种不同光学反馈耦合系数（C值）和4种线宽增强因子α值构成的1,140种SMI波形在51种噪声条件（包括白噪声和调幅噪声）下的特征。结果表明：该方法平均可将弱、中、强光学反馈状态信号的噪声信噪比分别提升19.49dB、16.29dB和10.34dB；对于调幅SMI信号，在所有光学反馈状态下最大校正误差（基于曲线下面积的定量分析）仅为0.73%。该方案能在不扭曲原始信号的前提下有效降噪，这种统一精确的方法将提升SMI激光传感器在实际噪声环境中的工作性能。
关键词： 信号噪声去除、用于信号增强的神经网络、干涉测量激光传感器、振动测量激光传感器、波形增强、自混合信号增强、生成对抗网络（GAN）
更新于2025-09-16 10:30:52
-
基于Wasserstein生成对抗网络的高光谱图像无监督特征提取
摘要： 特征提?。‵E）是高光谱图像（HSI）处理中的关键研究领域。近年来，由于深度学习（DL）在提取空间和光谱特征方面具有强大能力，基于DL的FE方法展现出巨大的应用潜力。然而，大多数基于DL的FE方法属于监督学习，其训练过程严重受限于高光谱图像中标注样本的缺失问题，这制约了监督式DL特征提取方法在高光谱处理中的应用。为解决该问题，本文提出一种改进型生成对抗网络（GAN），用于无监督地训练DL特征提取器。该网络包含生成器和判别器两个组件：生成器专注于数据集真实概率分布的学习，判别器则能有效提取具有优异不变性的空间-光谱特征。为实现自适应学习上采样与下采样策略，生成器采用全反卷积子网络设计，判别器则基于全卷积子网络构建。此外，通过利用生成器与判别器的零和博弈关系，设计了新型极小极大代价函数，实现端到端的无监督GAN训练。该方法还将原始JS散度替换为Wasserstein距离，以缓解GAN框架训练过程中的不稳定性和困难性。三个真实数据集的实验结果验证了所提方法的有效性。
关键词： 卷积神经网络（CNN）、高光谱图像（HSI）、特征提取（FE）、生成对抗网络（GAN）
更新于2025-09-11 14:15:04
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于生成对抗网络的遥感图像半监督目标检测
摘要： 目标检测是计算机视觉中的一项具有挑战性的任务。目前许多检测网络在应用大规模训练数据集时能取得良好的检测效果，但标注足量训练数据往往耗时较长。针对这一问题，本文提出了一种基于半监督学习的方法。半监督学习利用少量标注数据和大量未标注数据来训练检测网络。本方法采用生成对抗网络从无标注数据中提取数据分布特征，并将这些信息用于提升检测网络性能。实验表明，相比仅使用少量标注数据的监督学习方法，本文方案能显著提升检测性能。结果表明，当训练数据集中仅标注少量目标对象时，仍可获得可接受的检测效果。
关键词： 生成对抗网络（GAN）、卷积神经网络（CNN）、半监督学习、目标检测
更新于2025-09-10 09:29:36
-
[IEEE 2018年第25届国际图像处理会议(ICIP) - 希腊雅典 (2018.10.7-2018.10.10)] 2018年第25届IEEE国际图像处理会议(ICIP) - 近红外影像着色
摘要： 本文提出了一种基于堆叠条件生成对抗网络的近红外（NIR）图像着色方法。我们设计了一种生成对抗网络（GAN）的变体架构，该架构在条件概率生成模型上采用多重损失函数。研究表明，这种新架构/损失函数能更好地实现生成彩色红外图像的泛化与表征。我们在大型测试数据集上评估了所提方法，并使用标准指标与最新前沿技术进行了对比。
关键词： 卷积神经网络（CNN）、红外图像着色、生成对抗网络（GAN）
更新于2025-09-04 15:30:14
-
[IEEE 2018年第26届国际地理信息学会议 - 中国昆明（2018年6月28日-2018年6月30日）] 2018年第26届国际地理信息学会议 - 基于生成对抗网络的遥感图像去模糊方法
摘要： 去模糊是遥感图像处理中的经典难题，因其病态特性而求解困难。现有可行方案通常通过将各类先验知识作为约束条件引入复原过程来解决该问题。然而这类先验学习往往假设图像模糊由固定类型因素产生，可能导致模型描述能力的下降。本文提出一种基于生成对抗网络(GAN)的端到端学习方法来解决遥感图像去模糊问题。所提出的去模糊模型无需对模糊类型做任何先验假设。该方法在卫星地图图像数据集上进行了评估，取得了最先进的性能表现。
关键词： 图像去模糊、遥感图像、损失函数、生成对抗网络（GAN）
更新于2025-09-04 15:30:14
-
[IEEE 2018年第七届全球消费电子大会(GCCE) - 日本奈良 (2018.10.9-2018.10.12)] 2018年IEEE第七届全球消费电子大会(GCCE) - 基于生成对抗网络的视线校正技术
摘要： 眼动校正对于视频电话会议和视频聊天中保持眼神交流是一个重要课题。本文提出采用生成对抗网络进行眼动校正。我们使用成对的前置摄像头拍摄的面部图像（理想相机设置）与真实摄像头拍摄的面部图像（实际相机设置）来训练网络。通过训练好的网络，可以为任意真实拍摄的面部图像生成经过眼动校正的面部图像（前置摄像头拍摄效果）。实验验证了所提方法的有效性。
关键词： 生成对抗网络（GAN）、图像到图像的转换、深度学习、凝视校正、条件生成对抗网络
更新于2025-09-04 15:30:14