基于图像转换和随机向量的红外图像生成方法研究
文献类型：学位论文
| 作者 | 陈佛计1,2 |
| 答辩日期 | 2020-05-26 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 王恩德 |
| 关键词 | 生成对抗网络 红外图像生成 图像转换 生成图像评估 生成模型 |
| 学位名称 | 硕士 |
| 学位专业 | 模式识别与智能系统 |
| 其他题名 | Research on Infrared Image Generation Method Based on Image Translation and Random Vector |
| 英文摘要 | 随着深度神经网络技术的发展，人工智能技术在很多视觉任务中有着优异的表现，但是深度神经网络这种优良的性能，在很大程度上依赖于海量的数据。在实际工程项目中，相较于可见光图像，红外图像不易受到光照变化的影响，所以在无人系统或者是其他军事领域的视觉任务中，红外图像是一种很好的选择。但是实际很多场景红外图像的数量很少，难以支撑一个模型的训练，因此本文重点研究如何获取更多的、和真实红外图像服从同一分布的样本。生成红外图像的方法有很多，基于生成对抗网络生成红外图像的方法是目前相对比较新、比较热门的途径之一。而本文以实际工程项目中的应用需求为背景，采用深度神经网络和对抗网络模型相结合的深度生成模型来做红外图像的生成。首先，在有大量场景可见光图像的前提下，改进基于图像转换的方法来生成红外图像。由于彩色图像和红外图像在高维空间中的语义信息是一致的，在该模型中采用编解码的网络结构来实现图像的转换，编码器主要提取输入图像的高维语义信息，而解码器负责将高维语义信息映射成红外图像，最后通过实验证明该方法可以提高生成红外图像的质量。其次，为了能控制生成器生成指定类型的红外图像，提出了基于先验知识和生成对抗网络直接生成红外图像的方法。该方法采用自注意力机制模块来更好的发现图像块与块之间的联系，更好的辅助生成红外图像。并且基于类标签先验知识和域分类损失约束，来让生成器去学着生成指定类型的红外图像。最后通过实验证明了该方法的有效性，并且该方法在实际生成红外图像数据的时候会更加实用。本文的研究主要针对实际项目中小样本的问题，对如何获取更多样本数据的方法进行了深入的探讨和研究。并且提出了两种生成红外图像的方法，通过实验验证了方法的可行性，从而为实际应用提供了一种可能的途径。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 59页 |
| 源URL | [http://ir.sia.cn/handle/173321/27128]  |
| 专题 | 沈阳自动化研究所_光电信息技术研究室 |
| 作者单位 | 1.中国科学院大学 2.中国科学院沈阳自动化研究所; |
| 推荐引用方式 GB/T 7714 | 陈佛计. 基于图像转换和随机向量的红外图像生成方法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2020. |
入库方式： OAI收割
来源：沈阳自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。