圖像合成是深度學(xué)習(xí)和視覺計(jì)算中的一個(gè)重要的研究方向,其在當(dāng)今社會生活中具有廣泛的應(yīng)用前景和價(jià)值。它一般通過對輸入的原始圖像進(jìn)行特征的提取與分析,再對這些特征作特定的約束與變換得到新的特征,最后利用新的特征來合成輸出新的圖像。傳統(tǒng)的圖像合成方法一般基于人為設(shè)定的特征如顏色直方圖、紋理信息、形狀信息和灰度信息等,再結(jié)合先驗(yàn)知識進(jìn)行圖像合成的研究。這類方法由于過度依賴人為設(shè)定的淺層特征而忽略了圖像的深層特征和空間相關(guān)特征,因此難以合成令人滿意的新圖像,從而在實(shí)際環(huán)境中無法適用。近年來,以深度學(xué)習(xí)技術(shù)為核心的圖像合成方法已經(jīng)在很多行業(yè)取得了很大的成果。這類方法主要使用深層神經(jīng)網(wǎng)絡(luò)來構(gòu)建對應(yīng)的圖像生成模型用于新的圖像合成。U-net和生成對抗網(wǎng)絡(luò)是兩個(gè)常用于圖像合成的深度網(wǎng)絡(luò)模型。但是U-net仍存在一定的局限性,U-net是一種左右對稱的U型網(wǎng)絡(luò),在增大輸出圖像分辨率的同時(shí),網(wǎng)絡(luò)中卷積層的數(shù)量會成倍增加,這會導(dǎo)致網(wǎng)絡(luò)層次加深,使網(wǎng)絡(luò)的訓(xùn)練變得更加困難,模型的學(xué)習(xí)性能會發(fā)生退化,最終造成合成的圖像具有較低的質(zhì)量。因此,對U-net的結(jié)構(gòu)進(jìn)行改進(jìn)和優(yōu)化就非常有必要和意義。為了解決上述問題,本文提出... 

【文章來源】：湖北工業(yè)大學(xué)湖北省

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

U-net的體系結(jié)構(gòu)

湖北工業(yè)大學(xué)碩士學(xué)位論文8層的輸入特征圖上。這也就是說，將低層特征復(fù)制到相應(yīng)的高層特征上，實(shí)際上是創(chuàng)造了一條信息傳播的路徑，使信號更容易地在低層和高層之間傳播，這不僅有利于梯度在訓(xùn)練過程中的反向傳播，而且還可以將較低層次的細(xì)粒度特征輸送到給高層次的粗粒度特征。2.2生成對抗網(wǎng)絡(luò)生成對抗網(wǎng)絡(luò)是深度學(xué)習(xí)中的一個(gè)非常重要的深度生成模型，其通常包括同時(shí)學(xué)習(xí)的生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)。生成器用于生成接近真實(shí)樣本的分布，來生成新的圖像。判別器可以當(dāng)成是一種二分類模型，用于判別生成的樣本與真實(shí)樣本之間的真假關(guān)系。這兩個(gè)網(wǎng)絡(luò)通常使用最小-最大博弈進(jìn)行優(yōu)化：生成器往往盡可能的生成接近真實(shí)分布的數(shù)據(jù)來達(dá)到欺騙判別器的目的，而判別器通過找到真實(shí)數(shù)據(jù)與生成的數(shù)據(jù)之間的最佳區(qū)分來嘗試不被生成器欺騙。圖2.2生成對抗網(wǎng)絡(luò)的體系結(jié)構(gòu)如圖2.2所示生成對抗網(wǎng)絡(luò)的主要結(jié)構(gòu)。在圖2.2中，生成器網(wǎng)絡(luò)由矩形G來表示，判別器網(wǎng)絡(luò)由矩形D來表示，z表示的是模型的原始輸入，可以是一段噪音，一張圖像或是一段文本等。G(z)表示生成器的輸出即生成的假的數(shù)據(jù)分布，而x表示真實(shí)的數(shù)據(jù)分布。在實(shí)際研究和應(yīng)用過程中，生成器和判別器一般都是經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)。判別器網(wǎng)絡(luò)參數(shù)的優(yōu)化目標(biāo)是最大化區(qū)分生成器的假數(shù)據(jù)

湖北工業(yè)大學(xué)碩士學(xué)位論文9與真實(shí)數(shù)據(jù)之間的概率，而生成器網(wǎng)絡(luò)參數(shù)是以最大化判別器不能識別其生成的樣本的概率為優(yōu)化目標(biāo)。生成對抗網(wǎng)絡(luò)的執(zhí)行流程可簡述如下：（1）張量z作為生成器的輸入數(shù)據(jù)，該張量取樣自一個(gè)潛在的先驗(yàn)分布或是一個(gè)無序的噪音，再由生成器G對輸入z進(jìn)行約束和變換，獲得生成的假樣本G(z)。（2）將G(z)和x分別輸入判別器，然后判別器輸出輸入為真實(shí)樣本的概率。（3）訓(xùn)練模型的最終目標(biāo)。經(jīng)過一系列的訓(xùn)練迭代和參數(shù)優(yōu)化，整個(gè)網(wǎng)絡(luò)包括生成器和判別器兩者的損失會逐漸收斂至一個(gè)平衡點(diǎn)，也叫納什平衡。在訓(xùn)練生成對抗網(wǎng)絡(luò)的迭代過程中，生成器和判別器將會不斷被優(yōu)化從而不斷提升性能。當(dāng)執(zhí)行訓(xùn)練到一定的迭代次數(shù)時(shí)，即判別器判別生成的數(shù)據(jù)為真的概率逼近0.5時(shí)，可以認(rèn)為此時(shí)生成器能夠得到符合真實(shí)樣本分布的輸出結(jié)果。2.3殘差模塊殘差模塊（Residualbloack）是在2015年由何凱明等人提出來用于解決隨著網(wǎng)絡(luò)深度的增加，網(wǎng)絡(luò)模型會發(fā)生退化的問題，即網(wǎng)絡(luò)的層數(shù)不斷增加，其網(wǎng)絡(luò)的準(zhǔn)確率雖然一開始會上升，但到最后會迅速下降[38]。實(shí)際上，當(dāng)網(wǎng)絡(luò)模型達(dá)到一定深的層數(shù)時(shí)，網(wǎng)絡(luò)模型的性能就已經(jīng)無法再提升，如果再繼續(xù)加深網(wǎng)絡(luò)的層數(shù)，只會使網(wǎng)絡(luò)變得更加復(fù)雜，冗余度過大，最終性能會下降，也就是網(wǎng)絡(luò)的退化問題。這種問題并不是由過擬合造成的，因?yàn)槟Ｐ驮谟?xùn)練和測試時(shí)，性能均會下降。何等人通過大量研究提出了基于殘差模塊的殘差網(wǎng)（ResidualNetworks，ResNets），該網(wǎng)絡(luò)模型具有不同層數(shù)的深度，如Resnet18、Resnet50和Resnet101等，其有效的證明了殘差模塊能夠解決更深層網(wǎng)絡(luò)模型的退化問題[38]。圖2.3殘差塊結(jié)構(gòu)圖如圖2.3所示殘差模塊的基本結(jié)構(gòu)。由圖可知，在殘差模塊中，一個(gè)快捷連

【參考文獻(xiàn)】：
期刊論文
[1]面向醫(yī)學(xué)圖像分割的超像素U-Net網(wǎng)絡(luò)設(shè)計(jì)[J]. 王海鷗,劉慧,郭強(qiáng),鄧凱,張彩明.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(06)
[2]基于帶孔U-net神經(jīng)網(wǎng)絡(luò)的肺癌危及器官并行分割方法[J]. 周正東,李劍波,辛潤超,涂佳麗,賈俊山,魏士松.  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[3]基于條件生成式對抗網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)方法[J]. 陳文兵,管正雄,陳允杰.  計(jì)算機(jī)應(yīng)用. 2018(11)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像著色[J]. 徐中輝,呂維帥.  電子技術(shù)應(yīng)用. 2018(10)
[5]基于生成對抗網(wǎng)絡(luò)的漫畫草稿圖簡化[J]. 盧倩雯,陶青川,趙婭琳,劉蔓霄.  自動化學(xué)報(bào). 2018(05)
[6]生成對抗網(wǎng)絡(luò)模型綜述[J]. 張營營.  電子設(shè)計(jì)工程. 2018(05)
[7]生成式對抗網(wǎng)絡(luò)研究進(jìn)展[J]. 王萬良,李卓蓉.  通信學(xué)報(bào). 2018(02)
[8]深度學(xué)習(xí)研究進(jìn)展[J]. 郭麗麗,丁世飛.  計(jì)算機(jī)科學(xué). 2015(05)

碩士論文
[1]基于深度學(xué)習(xí)的圖像合成技術(shù)研究[D]. 沈卓薈.華東師范大學(xué) 2018



本文編號：3521003