圖像修復(fù)一直以來(lái)是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)熱門(mén)課題,近幾年隨著人工智能的蓬勃發(fā)展,深度學(xué)習(xí)也隨之快速發(fā)展。特別是在圖像識(shí)別、圖像分類(lèi)、語(yǔ)音識(shí)別、身份識(shí)別、目標(biāo)跟蹤、圖像修復(fù)、行為分析等領(lǐng)域的研究上有了巨大的發(fā)展。深度學(xué)習(xí)對(duì)于非線(xiàn)性問(wèn)題的擬合以及對(duì)于圖像、語(yǔ)音等物理特征的快速有效提取,使得這些原本在傳統(tǒng)方法上需要人為設(shè)定并人工提取特征的問(wèn)題變得簡(jiǎn)單。深度學(xué)習(xí)的模型訓(xùn)練和學(xué)習(xí)變得更為方便和快速。雖然深度學(xué)習(xí)有效解決了一些非線(xiàn)性問(wèn)題的模型擬合,但是深度學(xué)習(xí)模型的實(shí)現(xiàn)需要大量的訓(xùn)練數(shù)據(jù)。在圖像修復(fù)領(lǐng)域,小空洞覆蓋的情況下傳統(tǒng)方法可以通過(guò)對(duì)空洞周邊信息的計(jì)算實(shí)現(xiàn)圖像修復(fù)。但是在大空洞的情況下傳統(tǒng)方法由于空洞區(qū)域過(guò)大,無(wú)法實(shí)現(xiàn)有效信息的關(guān)聯(lián),使得無(wú)法準(zhǔn)確的恢復(fù)空洞中的信息。深度學(xué)習(xí)可以通過(guò)對(duì)圖像提取高級(jí)特征,實(shí)現(xiàn)對(duì)空洞區(qū)域的語(yǔ)義理解,實(shí)現(xiàn)語(yǔ)義上的恢復(fù)�，F(xiàn)有的深度學(xué)習(xí)圖像修復(fù)算法,往往基于大樣本數(shù)據(jù)的前提下,在小樣本數(shù)據(jù)的情況往往沒(méi)有很好的修復(fù)效果。針對(duì)小樣本的情況,本文提出了一種對(duì)抗循環(huán)卷積神經(jīng)網(wǎng)絡(luò)算法,該算法充分利用了循環(huán)網(wǎng)絡(luò)提取了多級(jí)圖像特征。實(shí)現(xiàn)了在網(wǎng)絡(luò)層數(shù)較少的情況下對(duì)小樣本數(shù)據(jù)的圖像的修復(fù)。... 

【文章來(lái)源】：浙江工業(yè)大學(xué)浙江省

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

擴(kuò)張卷積Figure2-8.DilatedConvolution

基于少量樣本的深度學(xué)習(xí)圖像修復(fù)算法研究，而且對(duì)數(shù)據(jù)樣本的類(lèi)型也有要求。假如現(xiàn)在得到的是關(guān)于人臉修復(fù)的特征提網(wǎng)絡(luò)，新的任務(wù)是對(duì)自然圖像的修復(fù)，那么特征提取網(wǎng)絡(luò)就要重新訓(xùn)練。第二方法不需要先訓(xùn)練一個(gè)特征提取網(wǎng)絡(luò)，可以直接在目標(biāo)網(wǎng)絡(luò)上進(jìn)行圖像修復(fù)且只要輸入圖像是待修復(fù)的圖像即可。對(duì)特征的保持，最先想到的就是循環(huán)神網(wǎng)絡(luò) RNN（Recurrent Neural Network），其中的 LSTM[76]（Long Short-Teremory）是循環(huán)神經(jīng)網(wǎng)絡(luò)中的經(jīng)典算法之一。RNN 是專(zhuān)門(mén)用來(lái)解決連續(xù)性問(wèn)題設(shè)計(jì)的。在語(yǔ)言和文字領(lǐng)域 RNN 是常用的網(wǎng)絡(luò)結(jié)構(gòu)。在連續(xù)性的環(huán)境中神絡(luò)需要提取到信息流的主要信息，根據(jù)輸入信息的重要程度來(lái)判斷是否將信往或者加入之前的信息儲(chǔ)備。通過(guò)將網(wǎng)絡(luò)的隱藏狀態(tài)與新輸入的不斷取舍來(lái)優(yōu)網(wǎng)絡(luò)參數(shù)。RNN 的結(jié)構(gòu)如圖 3-1 所示：

浙江工業(yè)大學(xué)碩士學(xué)位論文以實(shí)現(xiàn)對(duì)之前數(shù)據(jù)的總結(jié)形成自己的隱層數(shù)據(jù)h，隱層數(shù)據(jù)的形成就可以當(dāng)是網(wǎng)絡(luò)的先驗(yàn)學(xué)習(xí)。在經(jīng)過(guò)多次循環(huán)后隱層數(shù)據(jù)趨于穩(wěn)定，就可以用網(wǎng)絡(luò)自身的隱層作為先驗(yàn)來(lái)代替元學(xué)習(xí)的先驗(yàn)網(wǎng)絡(luò)。受到循環(huán)神經(jīng)網(wǎng)絡(luò)的啟發(fā)，本文設(shè)計(jì)了循環(huán)卷積神經(jīng)網(wǎng)絡(luò)。最初的輸入為待修復(fù)圖像，將神經(jīng)網(wǎng)絡(luò)的輸出圖像再次輸入神經(jīng)網(wǎng)絡(luò)。如此循環(huán)，即使是較為淺層的神經(jīng)網(wǎng)絡(luò)模型也可以學(xué)習(xí)到不同修復(fù)程度的圖像。這樣得到由粗到細(xì)的圖像生成，通過(guò)循環(huán)卷積的方式，網(wǎng)絡(luò)得到的語(yǔ)義越來(lái)越高級(jí)，紋理信息也越來(lái)越精細(xì)。圖像修復(fù)架構(gòu)圖，如圖 3-2 所示：

【參考文獻(xiàn)】：
期刊論文
[1]不同紋理復(fù)雜度圖像生成中CycleGAN循環(huán)一致?lián)p失系數(shù)優(yōu)化選擇方法[J]. 徐強(qiáng),鐘尚平,陳開(kāi)志,張春陽(yáng).  計(jì)算機(jī)科學(xué). 2019(01)
[2]基于雙鑒別網(wǎng)絡(luò)的生成對(duì)抗網(wǎng)絡(luò)圖像修復(fù)方法[J]. 劉波寧,翟東海.  計(jì)算機(jī)應(yīng)用. 2018(12)
[3]基于公共空間嵌入的端到端深度零樣本學(xué)習(xí)[J]. 秦牧軒,荊曉遠(yuǎn),吳飛.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(11)
[4]基于條件深度卷積生成對(duì)抗網(wǎng)絡(luò)的圖像識(shí)別方法[J]. 唐賢倫,杜一銘,劉雨微,李佳歆,馬藝瑋.  自動(dòng)化學(xué)報(bào). 2018(05)
[5]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)
[6]基于深度學(xué)習(xí)與隨機(jī)森林的人臉年齡與性別分類(lèi)研究[J]. 董蘭芳,張軍挺.  計(jì)算機(jī)工程. 2018(05)
[7]面向自然語(yǔ)言處理的深度學(xué)習(xí)研究[J]. 奚雪峰,周?chē)?guó)棟.  自動(dòng)化學(xué)報(bào). 2016(10)
[8]基于深度神經(jīng)網(wǎng)絡(luò)的身份識(shí)別研究[J]. 馮賀平,楊敬娜,吳梅梅.  電腦知識(shí)與技術(shù). 2016(22)
[9]深度學(xué)習(xí)在視頻目標(biāo)跟蹤中的應(yīng)用進(jìn)展與展望[J]. 管皓,薛向陽(yáng),安志勇.  自動(dòng)化學(xué)報(bào). 2016(06)
[10]時(shí)空域深度卷積神經(jīng)網(wǎng)絡(luò)及其在行為識(shí)別上的應(yīng)用[J]. 劉琮,許維勝,吳啟迪.  計(jì)算機(jī)科學(xué). 2015(07)

博士論文
[1]基于少量樣本的快速目標(biāo)檢測(cè)與識(shí)別[D]. 徐培.電子科技大學(xué) 2014
[2]基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的統(tǒng)計(jì)機(jī)器翻譯研究[D]. 楊南.中國(guó)科學(xué)技術(shù)大學(xué) 2014

碩士論文
[1]基于深度學(xué)習(xí)的圖像分類(lèi)及應(yīng)用研究[D]. 辛晨.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所) 2017
[2]基于深度學(xué)習(xí)的圖像生成技術(shù)研究與應(yīng)用[D]. 虢齊.電子科技大學(xué) 2017
[3]基于深度學(xué)習(xí)的人臉識(shí)別研究[D]. 林妙真.大連理工大學(xué) 2013
[4]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012



本文編號(hào)：3285699