近年來,伴隨著相關(guān)軟硬件技術(shù)的飛速發(fā)展,視覺信息采集設(shè)備迅速普及,走入大街小巷,進入千家萬戶。隨之而來的是圖像、視頻等視覺數(shù)據(jù)信息的爆棚,給數(shù)據(jù)的處理和解讀帶來巨大壓力。以監(jiān)控數(shù)據(jù)為例,十數(shù)年前,也許采用人工的方式翻查監(jiān)控視頻還能勉力為之,而現(xiàn)如今已經(jīng)明顯成為不可能完成的任務。因此,對視覺數(shù)據(jù)進行自動分析理解成為當前備受關(guān)注的熱點研究課題。本文將主要針對圖像自動分析理解研究中的遮擋問題展開。目前視覺信息中占統(tǒng)治地位的是二維圖像數(shù)據(jù),而由于二維圖像是三維客觀世界向某二維平面投影而來,維度的損失必然引發(fā)遮擋問題。遮擋的存在意味著被遮擋信息的完全損失,對物體的檢測、分割、識別、分類、理解等工作產(chǎn)生嚴重影響,與光照、姿態(tài)等一起成為制約相關(guān)算法性能的最主要因素。因此,解決圖像遮擋補償問題,勢在必行。顯而易見,被遮擋信息在圖像中是完全丟失的,根據(jù)信息守恒原理,要恢復相關(guān)內(nèi)容,丟失的信息必須通過某種方式進行補償。圖像的內(nèi)容千變?nèi)f化,不可能提前預知,所以我們選擇以海量數(shù)據(jù)信息構(gòu)建遮擋信息補償模型,填補遮擋造成的信息缺損。由于涉及信息眾多,采用對大數(shù)據(jù)信息具備較好建模能力的深度學習方式進行模型構(gòu)建。在具... 

【文章來源】：天津工業(yè)大學天津市

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

自編碼器結(jié)構(gòu)

天津工業(yè)大學碩士學位論文10息。解碼器則需要從編碼中盡可能的學習如何重建輸入數(shù)據(jù)。標準自編碼器的數(shù)據(jù)較為自由，變分自編碼器的數(shù)據(jù)存在一些限制條件，如圖2-2所示,其對瓶頸層的數(shù)據(jù)分布進行高斯函數(shù)型的一個限制。這個限制就是KL散度損失，它的目的是讓均值為0，方差為1。事實上這個限制就是相當于對編碼器的一個正則項，希望編碼器出來的結(jié)果均有零均值。在解碼器尚未訓練好時，網(wǎng)絡的重構(gòu)誤差較KL散度的損失來說更為嚴重一些。在這種情況下，一般會采取適當降低噪聲，換而言之就是將KL散度損失增加，從而使得網(wǎng)絡擬合起來容易一些；反之，如果解碼器輸出的結(jié)果還可以，網(wǎng)絡的重構(gòu)誤差小于KL散度的損失，這時候就使KL散度的損失減少，讓噪聲增加，使得網(wǎng)絡增加擬合困難性，這樣解碼器就要想辦法提高它的解碼能力了。圖2-2變分自編碼器結(jié)構(gòu)2.1.2生成式對抗網(wǎng)絡2014年來自加拿大蒙特利爾大學的年輕博士生IanGoodfellow和他的導師YoshuaBengio提出了生成式對抗神經(jīng)網(wǎng)絡（GenerativeAdversarialNetworks）[64]，簡稱GANs。它是一個訓練生成模型的框架，它提出時候沒有晦澀的數(shù)學推演，描繪了一個動感十足的畫面，契合了萬物在相生相克中演化的事實。把生成式對抗神經(jīng)網(wǎng)絡想象成一幅太極圖，太極生兩儀，這“兩儀”就好似生成式對抗神經(jīng)網(wǎng)絡的生成器和判別器，生成器負責生，判別器負責滅，一生一滅之間有了萬物。生成器在初始混沌中孕育有形萬物，判別器甄別過濾有形萬物，扮演一種末日審判的角色。生成對抗網(wǎng)絡被稱為最具創(chuàng)意的想法，生成器與判別器之間的對抗可以想象成假幣制造者與警察之間的貓捉老鼠游戲，假幣制造者企圖造出以假亂真的假幣。生成式對抗神經(jīng)網(wǎng)絡的主要框架如圖2-3所示，主要包括生成器（Generator）和判別器

的、真實可靠的數(shù)據(jù)集分布也輸入到判別器當中，但是并不指定哪一個是模擬樣本，哪一個是真實樣本，判別器需要自己進行相關(guān)判定，從而確定哪一類樣本是真實樣本，哪一類樣本是模擬樣本。生成器和判別器兩者實際上存在競爭關(guān)系，生成器想要生成盡可能“真”的數(shù)據(jù)，從而使判別器判定不出來，判定器則希望自己判斷更加準確，可以將所有的模擬樣本識別出來。然而，對抗不是主要目的，在對抗中讓雙方能力各有所長才是主要目的。理想情況下，生成器和判別器最終能達到一種平衡，雙方都臻于完美，彼此都沒有更進一步的空間。圖2-3生成式對抗神經(jīng)網(wǎng)絡的框架生成式對抗神經(jīng)網(wǎng)絡基于博弈論場景，采用對抗策略進行模型訓練。其中生成器通過調(diào)節(jié)自身參數(shù)，使得其生成的樣本盡量難以被判別器識別出是真實樣本還是模擬樣本；其對手，判別器通過調(diào)節(jié)自身參數(shù)，使得其能盡可能準確地判別出輸入樣本的來源。具體訓練時，采用生成器和判別器交替優(yōu)化的方式。訓練判別器的時候，需要先將生成器(·)固定，只進行正向傳播不進行反向傳播，然后利用隨機向量z輸入生成器后隨機模擬的產(chǎn)生的樣本()作為負樣本，并從真實的數(shù)據(jù)中采集獲得正樣本X；然后將這些正樣本和負樣本輸入判別器(·)中，根據(jù)判別器的輸出()或(())與樣本的標簽數(shù)據(jù)進行誤差的計算；最后利用得到的誤差反向傳播修正判別器的參數(shù)。在訓練生成器的時候，需要先固定判別器(·)只進行正向傳播不進行反向傳播，然后利用當前生成器(·)輸出的隨機模擬樣本()，輸入到判別器(·)中；根據(jù)判別器的輸出(())與樣本數(shù)據(jù)標簽計算的誤差進行反向傳播修正生成器(·)的參數(shù)。這樣，生成器和判別器就構(gòu)成了一個動態(tài)的“博弈過程”，這場博弈的理想情況下會達到一個納什均衡點。這場博弈的規(guī)則如公式(2-1):

【參考文獻】：
期刊論文
[1]基于自體色彩遷移的文化典藏圖像修復方法[J]. 金典,裴晨,王琪.  廣東印刷. 2019(03)
[2]數(shù)字圖像修復技術(shù)在舊損照片修復上的應用[J]. 孫娜,劉振超.  信息記錄材料. 2019(03)
[3]基于小波的圖像去噪研究綜述[J]. 馬國兵,肖培如.  工業(yè)控制計算機. 2013(05)
[4]經(jīng)典圖像去噪算法研究綜述[J]. 方莉,張萍.  工業(yè)控制計算機. 2010(11)
[5]基于顏色轉(zhuǎn)移的照片色彩修復技術(shù)[J]. 張棟,汪世剛,呂東輝,劉書朋.  微計算機信息. 2010(23)
[6]基于多小波的圖像去噪技術(shù)研究[J]. 費佩燕,郭寶龍.  中國圖象圖形學報. 2005(01)

碩士論文
[1]應用于古文物的數(shù)字圖像修復方法研究[D]. 韓長明.吉林大學 2019



本文編號：3075188