為生成分辨率大于等于256×256的恒星和星系圖像,幫助預(yù)測(cè)未知的恒星和星系,采用了深度卷積對(duì)抗生成網(wǎng)絡(luò)（DCGAN）以及改進(jìn)的神經(jīng)元拋棄方法。通過研究對(duì)抗生成網(wǎng)絡(luò)（GAN）的結(jié)構(gòu),優(yōu)化了圖像生成模型和訓(xùn)練過程,得到了穩(wěn)定的能夠生成高分辨率的恒星和星系圖像生成模型。為了驗(yàn)證上述方法的有效性,在實(shí)驗(yàn)中采用了斯隆數(shù)字巡天數(shù)據(jù)庫（SDSS）中的圖像作為訓(xùn)練圖像,生成了256×256以及512×512兩種高分辨率的恒星和星系圖像,并將結(jié)果與采用GAN生成的結(jié)果進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果證明上述算法有效可行,能夠在保證模型穩(wěn)定性的前提下,生成清晰度更高的高分辨率恒星和星系圖像。 

【文章來源】：計(jì)算機(jī)仿真. 2019,36(12)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

部分512×512×3訓(xùn)練圖像

其中σ是激活函數(shù)(線性或非線性)。大多數(shù)的深度學(xué)習(xí)網(wǎng)絡(luò)使用的是多層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),也就是一層中的每一個(gè)神經(jīng)元都與下一層的神經(jīng)元相連接。如圖4所示,除了輸入層和輸出層之外的所有層都被稱為隱藏層。

大多數(shù)的深度學(xué)習(xí)網(wǎng)絡(luò)使用的是多層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),也就是一層中的每一個(gè)神經(jīng)元都與下一層的神經(jīng)元相連接。如圖4所示,除了輸入層和輸出層之外的所有層都被稱為隱藏層。CNN是一種典型的深度前饋神經(jīng)網(wǎng)絡(luò),它在計(jì)算機(jī)視覺領(lǐng)域有著廣泛的應(yīng)用。CNN的輸入是圖像,中間每層的輸出被稱為特征圖,為了得到最后的輸出,中間產(chǎn)生的每個(gè)特征圖都會(huì)與一組稱為過濾器的權(quán)重進(jìn)行卷積,并對(duì)這些卷積的加權(quán)進(jìn)行非線性激活,例如ReLU或Leaky-Relu[12]。這其中不同的特征圖使用不同的過濾器集,而同一個(gè)特征圖內(nèi)的所有神經(jīng)元?jiǎng)t共用過濾器集。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的指紋紋型分類算法[J]. 江璐,趙彤,吳敏.  中國科學(xué)院大學(xué)學(xué)報(bào). 2016(06)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像生成方式分類方法[J]. 李巧玲,關(guān)晴驍,趙險(xiǎn)峰.  網(wǎng)絡(luò)與信息安全學(xué)報(bào). 2016(09)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別研究.[J]. 田壯壯,占榮輝,胡杰民,張軍.  雷達(dá)學(xué)報(bào). 2016(03)
[4]大數(shù)據(jù)下的基于深度神經(jīng)網(wǎng)的相似漢字識(shí)別[J]. 楊釗,陶大鵬,張樹業(yè),金連文.  通信學(xué)報(bào). 2014(09)
[5]一種改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)在小圖像分類中的應(yīng)用研究[J]. 呂剛,郝平,盛建榮.  計(jì)算機(jī)應(yīng)用與軟件. 2014(04)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割[D]. 陳鴻翔.浙江大學(xué) 2016
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)和性別識(shí)別研究[D]. 汪濟(jì)民.南京理工大學(xué) 2015
[3]基于學(xué)習(xí)的人臉表情動(dòng)畫生成方法研究[D]. 劉莎.電子科技大學(xué) 2013



本文編號(hào)：3601903