基于语义融合生成对抗网络的图像比特增强方法及装置.pdf
森林****io
亲,该文档总共15页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于语义融合生成对抗网络的图像比特增强方法及装置.pdf
本发明公开了一种基于语义融合生成对抗网络的图像比特增强方法及装置,方法包括:生成器以残差结构为框架,添加输入图像到输出的全局跳跃连接和语义融合层,将零填充后的高比特图像和语义分割结果作为输入,输出重构后的高比特图像;鉴别器基于VGG网络,具有图像真假预测分支和图像语义类别预测分支,将重构后的高比特图像或真实的高比特图像作为输入,输出为对输入图像是否为重构图像的预测和该图像所属类别的预测;对测试集预处理得到的零填充后的高比特图像和语义分割结果输入到已加载训练模型参数后的生成器网络得到重构高比特图像。装置包括
基于生成对抗网络的图像语义分割模型构建方法和装置.pdf
本申请公开了一种基于生成对抗网络的图像语义分割模型构建方法和装置,该方法使用分割模型训练源域数据集,再使用生成对抗网络将源域数据集转换为新的目标域数据集,该新的目标域数据集保留了源域数据集中图像的结构特征但同时具有目标域数据集的全局特征,因此使用新的目标域数据集微调源域分割模型将降低源域和目标域的域移位影响,并且不会对数据的其他图像特征产生负影响,提高了图像语义分割模型的泛化能力,提高了自适应图像语义分割模型的精度和效率。如此,通过使用生成对抗网络有效的减少了源域和目标域间域移位的影响,提高了自适应图像语
基于生成对抗网络的人脸图像质量增强方法.pdf
本发明公开了人脸图像质量增加方法?生成对抗网络方法,具体地,包含以下五个步骤:1)静态人脸数据采集,2)数据处理,3)搭建生成对抗网络,4)训练生成对抗网络,5)测试生成对抗网络,本发明采用生成对抗网络来建模人脸图像质量,生成器包含图像增强、分辨率增强,图像增强实现对人脸图像亮度和噪声的矫正与增强,采用三种不同的方式来测量原始高质量人脸图像和增强后人脸图像之间的相似性,分别是MSE、SSIM以及判别器输出的分数,实现半监督的方法实现人脸图像质量增强,不需要标记训练数据,大大简化训练难度。
基于生成对抗性自动增强网络的图像检索方法及装置.pdf
本发明公开了基于生成对抗性自动增强网络的图像检索方法,包括对预处理后的街景图像进行划分为训练集街景图像、测试集街景图像和验证集街景图像,将训练集中的街景图像作为输入特征输入生成对抗性自动增强网络,由增强策略网络生成不同的策略,并把这些策略作用于相同的数据上,对数据集中一批大小的图像数据进行策略中的增强处理,得到增强后的数据,然后由目标检索网络,通过学习更多的特征来最小化损失,并更新权重,同时将这些损失收集起来作为反馈更新增强策略网络来最大化损失,得到新的增强策略,并迭代进行,由测试集街景图像和验证集街景图
一种基于生成对抗网络的面部图像增强方法.pdf
本发明公开了一种基于生成对抗网络的面部图像增强方法.本发明包括以下步骤:1、使用3D稠密面部对齐方法对多种姿态的面部图像进行预处理;2、设计基于生成对抗网络的面部增强网络,两步生成对抗网络。3、针对任务需要设计Step‑I和Step‑II对应的目标函数4、使用MS‑1‑celeb预训练识别模型,并使用扩增数据预训练TS‑GAN模型;5、使用Multi‑PIE作为训练集,利用反向传播算法训练(4)中完成预训练的TS‑GAN模型参数,直至收敛。使用最终训练的TS‑GAN模型可以得到与输入图像对应的正脸图像,同