人脸年龄合成(face age synthesis,FAS)的目标是根据源人脸图像合成指定年龄人脸图像,同时保留人脸的个人特征和身份信息.针对年龄变换时无关特征容易改变和产生伪影鬼影的问题,提出一种基于生成对抗网络的人脸年龄渐进合成算法.采用基...人脸年龄合成(face age synthesis,FAS)的目标是根据源人脸图像合成指定年龄人脸图像,同时保留人脸的个人特征和身份信息.针对年龄变换时无关特征容易改变和产生伪影鬼影的问题,提出一种基于生成对抗网络的人脸年龄渐进合成算法.采用基于门控循环单元的年龄编辑模块自适应地过滤或加入特征,并使用属性解耦模块在潜在空间进行对抗学习,通过生成器和判别器的对抗策略保证了真实自然的人脸合成,使用年龄分类约束拟合特定年龄分布,为了保证年龄无关属性的保留,还在生成对抗网络中引入了重建学习.在跨年龄名人数据集(cross-age celebrity dataset,CACD)下的实验结果表明,对比其他基于条件生成对抗网络的算法,提出的算法生成的人脸图像伪影失真有所减少,年龄显著性增强,具有较好的年龄准确性和较高的身份一致性.展开更多
木材缺陷智能检测技术可以有效降低人工误检带来的经济损失,对提高木材加工智能化水平具有重要意义。提出了一种木材缺陷智能检测算法,通过双循环生成对抗网络(double least generative adversarial networks,DLGAN)及密集卷积网络(Dens...木材缺陷智能检测技术可以有效降低人工误检带来的经济损失,对提高木材加工智能化水平具有重要意义。提出了一种木材缺陷智能检测算法,通过双循环生成对抗网络(double least generative adversarial networks,DLGAN)及密集卷积网络(Dense-Net)来检测色差、虫眼、裂纹、节子和伤疤等5种木材常见缺陷。首先,使用DLGAN技术扩充数据集,提高数据集的多样性和数量,缓解了因训练数据不足而导致的过拟合问题;其次,基于Dense-Net的特点,采用密集的卷积块序列提高对微弱特征的提取和学习能力,以便更好地检测木材缺陷。试验结果表明,相比VGG16、Inception-v2、ResNet 3种经典卷积神经网络,基于DLGAN增广数据集训练的Dense-Net模型有效提高了木材缺陷检测模型的性能,平均准确率达到92.7%,在只使用少量训练数据的情况下模型依然具有良好的图像生成能力和训练鲁棒性。展开更多
相较于传统的无线电数据特征提取方法,深度学习具有高效灵活的特点,其可以有效提高调制数据识别的性能。然而在实践中,收集大量可靠的无线电调制样本数据有时代价是昂贵和困难的,这在很大程度上限制了深度学习模型的性能。本文提出了基...相较于传统的无线电数据特征提取方法,深度学习具有高效灵活的特点,其可以有效提高调制数据识别的性能。然而在实践中,收集大量可靠的无线电调制样本数据有时代价是昂贵和困难的,这在很大程度上限制了深度学习模型的性能。本文提出了基于生成对抗网络(Generative Adversarial Networks,GAN)的无线电调制数据增扩模型RMAbGAN(Radio Modulation data Augmentation based on Generative Adversarial Networks),该模型通过挖掘不同信噪比与调制方式下的无线电调制数据特征差异,生成符合调制方式与信噪比特点的无线电调制数据,模型中的生成器部分捕获无线电调制数据分布特征,辨识器部分优化生成器性能,两者相互博弈性能不断提升;在此基础上,对无线电数据采样特点与无线电数据传统增强方法进行深度分析与研究,发现了无线电调制数据蕴含的空域特征与时序特征,设计出了能深刻捕获无线电数据空域特征与时序特征的无线电数据分类模型AMCST(Automatic Modulation Classification based Spatial and Temporal feature)。通过大量的对比实验,表明相较于基于旋转变换的无线电调制数据增扩模型,RMAbGAN模型在无线电调制数据增扩方面更具有鲁棒性和泛化能力,可以实现更高的调制分类准确率。此外,相较基于长短期记忆网络(Long Short-Term Memory,LSTM)的调制分类模型、基于残差网络(Residual Networks,ResNet)的调制分类模型等传统模型,AMCST模型在调制数据分类方面更具有稳定性和可用性,同时也具有更高的分类准确率。展开更多
文摘人脸年龄合成(face age synthesis,FAS)的目标是根据源人脸图像合成指定年龄人脸图像,同时保留人脸的个人特征和身份信息.针对年龄变换时无关特征容易改变和产生伪影鬼影的问题,提出一种基于生成对抗网络的人脸年龄渐进合成算法.采用基于门控循环单元的年龄编辑模块自适应地过滤或加入特征,并使用属性解耦模块在潜在空间进行对抗学习,通过生成器和判别器的对抗策略保证了真实自然的人脸合成,使用年龄分类约束拟合特定年龄分布,为了保证年龄无关属性的保留,还在生成对抗网络中引入了重建学习.在跨年龄名人数据集(cross-age celebrity dataset,CACD)下的实验结果表明,对比其他基于条件生成对抗网络的算法,提出的算法生成的人脸图像伪影失真有所减少,年龄显著性增强,具有较好的年龄准确性和较高的身份一致性.
文摘相较于传统的无线电数据特征提取方法,深度学习具有高效灵活的特点,其可以有效提高调制数据识别的性能。然而在实践中,收集大量可靠的无线电调制样本数据有时代价是昂贵和困难的,这在很大程度上限制了深度学习模型的性能。本文提出了基于生成对抗网络(Generative Adversarial Networks,GAN)的无线电调制数据增扩模型RMAbGAN(Radio Modulation data Augmentation based on Generative Adversarial Networks),该模型通过挖掘不同信噪比与调制方式下的无线电调制数据特征差异,生成符合调制方式与信噪比特点的无线电调制数据,模型中的生成器部分捕获无线电调制数据分布特征,辨识器部分优化生成器性能,两者相互博弈性能不断提升;在此基础上,对无线电数据采样特点与无线电数据传统增强方法进行深度分析与研究,发现了无线电调制数据蕴含的空域特征与时序特征,设计出了能深刻捕获无线电数据空域特征与时序特征的无线电数据分类模型AMCST(Automatic Modulation Classification based Spatial and Temporal feature)。通过大量的对比实验,表明相较于基于旋转变换的无线电调制数据增扩模型,RMAbGAN模型在无线电调制数据增扩方面更具有鲁棒性和泛化能力,可以实现更高的调制分类准确率。此外,相较基于长短期记忆网络(Long Short-Term Memory,LSTM)的调制分类模型、基于残差网络(Residual Networks,ResNet)的调制分类模型等传统模型,AMCST模型在调制数据分类方面更具有稳定性和可用性,同时也具有更高的分类准确率。
