深度學習技術(shù)具有強大的學習能力,但基于深度學習的方法需要學習很多模型參數(shù),為了避免模型過擬合通常需要大量的訓練樣本,而這一要求在當前的人臉數(shù)據(jù)庫中難以得到滿足,導致與人臉問題相關(guān)的計算模型的準確率很難得到進一步提升,因此越來越多的研究者試圖通過生成模型對人臉數(shù)據(jù)集進行增廣,尤其是針對跨年齡、多視角人臉數(shù)據(jù)集的增廣�，F(xiàn)有的多視角人臉圖像生成方法存在以下問題:(1)在訓練模型時需要使用成對圖像,即同一人臉多個視角的圖像;(2)基于監(jiān)督學習,需要大量人臉圖像的視角標簽,甚至需要對鼻子、眼睛、嘴巴等器官進行標注。然而,大規(guī)模成對人臉圖像難以獲取,且標注這些數(shù)據(jù)需要龐大的人力成本。因此,研究基于非成對圖像的半監(jiān)督式多視角人臉生成方法,具有重大的現(xiàn)實意義和應(yīng)用價值。針對現(xiàn)有多視角人臉圖像生成方法存在的問題,本文提出一種基于生成對抗網(wǎng)絡(luò)的方法。首先,為了避免使用成對數(shù)據(jù),通過訓練編碼器和判別器,使編碼器學習到輸入圖像的身份和視角的高級抽象特征,然后將這些低維數(shù)據(jù)輸入生成器,通過訓練生成器和判別器,使生成器重建出逼真的人臉圖像。在測試時將多個代表視角的獨熱編碼分別強加給身份表示,利用生成器將它們分別映射...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

圖２．１生成對抗網(wǎng)絡(luò)結(jié)構(gòu)示意圖??

的計算花銷就能得到可解釋的特征。??２．１．１核心思想??生成對抗網(wǎng)絡(luò)由Ｇｏｏｄｆｅｌｌｏｗ于２０１４年提出，并在近年來得到快速發(fā)展。??ＧＡＮ通過訓練兩個相互競爭和合作的神經(jīng)網(wǎng)絡(luò)來達到無監(jiān)督學習的目的，可以??生成圖像、語言等多種數(shù)據(jù)。ＧＡＮ模型中包含的兩個神經(jīng)網(wǎng)絡(luò)為生成器??....

圖２．２生成對抗網(wǎng)絡(luò)訓練過程示意圖??

?第２章本文相關(guān)理論???Ｚ）（Ｇ（ｚ））盡可能大，這時Ｋ（￡＞，?Ｇ）會變校判別器￡）的能力越強，／）〇：）越大，Ｚ）（Ｇ（Ｘ））??越小，這時會變大。??２．１．３訓練方法??圖２．２展示了生成對抗網(wǎng)絡(luò)的訓練過程。通過交替訓練生成器Ｇ和判別器??使生成分布逐漸接近真實分布。使....

圖２．３條件生成對抗網(wǎng)絡(luò)結(jié)構(gòu)示意圖??

?第２章本文相關(guān)理論???從隨機噪聲中產(chǎn)生圖像，因此無法控制輸出圖像。文獻［６０］提出一種帶有約束的??條件生成對抗網(wǎng)絡(luò)（Ｃｏｎｄｉｔｉｏｎａｌ?Ｇｅｎｅｒａｔｉｖｅ?Ａｄｖｅｒｓａｒｉａｌ?Ｎｅｔｓ，?ＣＧＡＮ），通過在生成??網(wǎng)絡(luò)和判別網(wǎng)絡(luò)中加入額外的條件變量，利用額外信息對....

圖２．４自編碼器網(wǎng)絡(luò)結(jié)構(gòu)??ｎ

?第２章本文相關(guān)理論???換將輸入壓縮成潛空間表征，解碼器通過最小化重建誤差，重構(gòu)來自潛在空間表??征的輸入。??麵??圖２．４自編碼器網(wǎng)絡(luò)結(jié)構(gòu)??假設(shè)輸入空間Ｘ?ｅ?，特征空間ｚ?ｅ?Ｋｎ，對于輸入數(shù)據(jù)Ｘｋ?ｅ??Ｘ，編碼器通過非線性函數(shù)ｐｉ各其映射到特征空間ｚ１；ｚ２，ｚ３ｚ....

本文編號：4036545