圖像生成技術廣泛的運用在日常生活當中,也是計算機視覺領域極為重要的研究方向。由文本到圖像的生成是該方向的一個重要分支,通常的圖像生成任務只能完成單個類別的圖像合成,無法滿足日益復雜精細的生產(chǎn)要求。按照給定條件的文本描述生成內(nèi)容相符合細節(jié)豐富的圖像變得尤其重要,特別是對于海報設計工作人員,基于文本生成圖像的技術模型的自主海報生成,不僅能夠大大減輕海報工作人員的枯燥簡單的海報設計工作,將他們從大量重復機械的勞動中解放出來,而且能夠提升他們的設計效率,讓設計者們從事更加富有創(chuàng)造力的工作。通過文本生成符合文本內(nèi)容語義表達的圖形,首先需要解決計算機如何能夠理解文本所包含的語義信息,其次將計算機理解后的文本語義信息轉(zhuǎn)化為對應圖形輸出,該任務具有很強的挑戰(zhàn)性。本文通過對文本生成圖像方法進行研究,提出了一種以中文文本為輸入,基于改進型對抗生成網(wǎng)絡的文本生成圖像生成的方法并進行了相應實驗進行驗證。在綜合現(xiàn)有的文本生成圖像的研究發(fā)現(xiàn),當前的文本輸入都是基于英文字符作為文本輸入。為了方便國內(nèi)設計工作人員,論文提出了用中文作為文本圖像生成的文本輸入。使用Word2vec模型產(chǎn)生詞向量,將詞向量輸入到Seq2S... 

【文章來源】：長江大學湖北省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

變分自編碼器的結構示意圖

第1章緒論6的神經(jīng)網(wǎng)絡參數(shù)，整個訓練過程交替進行。通常在實驗操作過程當中，生成器每經(jīng)過k（k<10）次訓練以后，然后再訓練判別器。通過這樣不斷對抗博弈的方式，最終生成器可以學得真實數(shù)據(jù)樣本的潛在分布，生成與真實樣本基本一致的數(shù)據(jù)樣本。圖1-2展示了生成對抗網(wǎng)絡的模型：圖1-2生成對抗網(wǎng)絡的結構示意圖Figure1-2Schematicdiagramofgeneratinganadversarialnetwork在生成對抗網(wǎng)絡出現(xiàn)以前，大部分的深度學習模型都是監(jiān)督學習方式進行，而監(jiān)督學習需要大量運用大量的人力來標注數(shù)據(jù)集，而深度學習的數(shù)據(jù)集一般都是非常龐大，而人工標注通常效率低下且成本高昂。而生成對抗網(wǎng)絡是非監(jiān)督的學習，能夠自發(fā)的學習到真實數(shù)據(jù)集的潛在分布規(guī)律，不需要先驗的假設信息，GAN不需要動用大量人工來標注訓練數(shù)據(jù)集，制作每條數(shù)據(jù)對應的標簽，降低了生產(chǎn)成本提高了生產(chǎn)效率，因此GAN在圖像生成領域備受科研人員的青睞。但是生成對抗網(wǎng)絡自提出來一直存在著訓練不穩(wěn)定，模式崩潰和梯度消失等問題，而這些問題亟待解決。生成對抗網(wǎng)絡自2014年提出以來呈現(xiàn)出爆發(fā)式發(fā)展的趨勢，研究論文主要是圍繞網(wǎng)絡模型結構更改，理論完善以及實際應用展開。在理論方面，MartinArjovsky等人對GAN進行深入研究[26]（WassersteinGAN）來提高生成對抗網(wǎng)絡的穩(wěn)定性，WGAN使用Wasserstein距離代替了生成對抗網(wǎng)絡的Jenson-Shannon散度來度量真實數(shù)據(jù)與生成數(shù)據(jù)分布的差異性，不僅僅消除了梯度消失帶來的訓練難題，而且解釋了網(wǎng)絡模式崩潰的根本原因。WGAN在一定程度上解決了生成對抗網(wǎng)絡訓練困難的問題，但是由于存在Lipschitz條件約束，因此生成對抗網(wǎng)絡在訓練上存在難點，WGAN通過將神經(jīng)網(wǎng)絡的權重限制在一定范圍之內(nèi)來滿足Lipschitz條件約

第2章深度學習理論概述12重值（weight），人工神經(jīng)網(wǎng)絡就是通過這樣的方式來模擬人腦的運行過程。人工神經(jīng)網(wǎng)絡的架構，連接方式，權重值和激活函數(shù)的選擇都會影響神經(jīng)網(wǎng)絡的輸出結果。由于神經(jīng)網(wǎng)絡是由一個個簡單的神經(jīng)元相互連接構成，并以此形成了一個大規(guī)模的分布式處理器，具有存儲知識并利用的特性。這些神經(jīng)元高度互聯(lián)，促使系統(tǒng)動態(tài)的運行。因此人工神經(jīng)網(wǎng)絡具有并行分布的處理能力，高容錯性，智能化，自適應學習等特征。在人工神經(jīng)網(wǎng)絡當中，可以處理文字，數(shù)字，圖像或者更加抽象的概念。早期的人工神經(jīng)網(wǎng)絡要包含三個組成部分：輸入層，隱藏層，輸出層。輸入層接受來自外部的數(shù)據(jù)輸入；隱藏層進行綜合運算；輸出層輸出系統(tǒng)的結果。神經(jīng)元之間的連接權重值大小決定了神經(jīng)元彼此之間聯(lián)系關系的重要程度。神經(jīng)元是人工神經(jīng)網(wǎng)絡的基本組成單位，圖2-1是人工神經(jīng)網(wǎng)絡當中神經(jīng)元的模型，如圖2.1所示神經(jīng)元模型由神經(jīng)連接，累加器，激活函數(shù)三部分組成。圖2-1神經(jīng)元的數(shù)學模型結構Figure2-1Mathematicalmodelstructureofneuron其中123,|,nixxxRxx為輸入，每個輸入上有一個權值iwR，此外還有一個偏置項bR。是激活函數(shù)，a是神經(jīng)元的輸出。單個神經(jīng)元的數(shù)學模型：1niiiawxb（）（2-1）模型的每次學習都會適當?shù)恼{(diào)整權重w和偏置b，經(jīng)過激活函數(shù)將輸出a限制在一定的范圍之內(nèi)，經(jīng)過多次的參數(shù)調(diào)節(jié)之后，輸出值趨于穩(wěn)定，則神經(jīng)網(wǎng)絡模型訓練完成。


本文編號：3383517