基于生成对抗网络的防空体系态势辅助分析

针对当前从体系视角对防空体系进行态势分析的模型较为缺乏, 且模型结果不易于指挥员分析理解的问题, 提出了基于生成对抗网络的防空体系态势辅助分析模型。首先, 通过图形化的方法对防空体系态势信息以及作战能力进行描述, 便于人类指挥员更好的理解。然后, 利用生成对抗网络模拟人类指挥员态势分析的过程, 从浅层态势特征推理得到防空体系能力图。最后, 利用多个指标对各类模型的结果进行对比。实验结果表明, 所提模型可以从体系视角进行分析, 得到防空体系能力图, 生成图像的准确率较其他模型至少提高34.1%。     

基于DAE-GAN网络的LPI雷达信号增强

针对非合作侦察接收机只在降噪后才能开展后续检测识别工作的问题，结合降噪自编码器和生成对抗网络的优势, 构建噪声增强网络与信号增强网络进行对抗训练。噪声增强网络往带噪信号中掺杂更复杂的噪声分量, 信号增强网络则是尽可能地降低带噪信号中的噪声分量。二者在对抗训练的过程中, 噪声增强网络生成复杂高维噪声的能力和信号增强网络降噪的能力都在提升。训练结束后, 信号增强网络具备更好的降噪性能, 为后续检测识别工作降低难度。     

一种利用年龄编辑改进年龄估计的方法

人脸年龄估计(face age estimation)作为一种新兴的生物特征识别技术, 是计算机视觉中一个经典的学习问题. 基于生成对抗网络(generative adversarial network, GAN) 强大的数据生成能力, 提出了一种利用年龄编辑改进年龄估计的方法, 并 通过分阶段联合训练年龄编辑网络 StarGAN 和年龄估计软阶段回归网络 (soft stagewise regression network, SSR-Net), 扩增适用于年龄估计的训练数据. 实验证明, 在非受限条件下, 该方法取得了年龄估计较好的结果.     

基于GAN改进的人脸表情识别算法及应用

针对传统人脸表情识别算法存在的特征提取能力差、 识别率低和误分类率较高等问题, 提出一种基于生成对抗网络(GAN)改进的人脸表情识别算法. 利用生成对抗网络的博弈思想, 分别设计特征提取器、 特征合成器和判别器, 通过判别器与特征提取器之间的对抗训练, 不断增强特征提取器提取特征的能力和分类器对人脸表情识别的准确率, 并将其应用在工作人员工作状态智能监测中, 根据表情识别结果判断工作状态, 从而合理分配实验室资源, 提高实验室资源利用率. 改进算法在CK+数据集上多次实验的结果表明： 该算法有较高的鲁棒性, 能有效提高人脸表情识别率.     

基于GAN的体系能力图谱生成方法

体系能力图谱是体系能力的一种可视化表现形式,是从体系视角对整体能力的刻画,是体系能力分析的一种重要方法。本文提出利用生成对抗网络的方法完成从体系特征到体系能力图谱的预测,设计合理的网络框架和损失函数,并利用体系实验床平台获取体系特征和能力图谱样本对来训练模型。所提方法相比于传统实验方法,不仅可以快速得到能力图谱,还可以根据体系的改变直接得到多维度的能力图谱,为作战提供实时辅助分析。     

可控多重纹理扩展合成与迁移

针对当前单一纹理扩展模型应用于多重纹理扩展存在模式崩溃及用户无法控制输出的纹理模式或风格等问题, 提出一种新的适用于多重纹理扩展合成与迁移的网络. 首先, 通过在生成对抗网络判别训练中, 增加分类训练, 使判别器在区分生成数据和真实数据的同时, 还能进一步正确识别输入纹理来自哪一张训练图像, 从而改善模式崩溃问题. 其次, 为达到纹理迁移中用户对纹理模式的控制, 将生成器修改为双流数据输入, 其中一流提供结构引导特征, 另一流提供纹理模式特征, 融合两种特征后解码生成最终的纹理图像. 实验结果表明, 该多重纹理扩展模型不仅用一个网络就能正确学习到多张纹理图像的纹理模式, 且训练好的模型还具有更好的、 可控的纹理迁移功能.     

基于生成对抗网络的海马子区图像分割

海马子区体积很小且结构复杂,传统分割方法无法达到理想分割效果,为此引入生成对抗网络模型用于海马子区图像分割.该方法构建一个生成对抗网络模型,通过构建生成网络和对抗网络并对其进行交替对抗训练实现对脑部海马子区图像的像素级精确分割.实验选取美国旧金山CIND中心的32位实验者的脑部MRI图像进行海马子区分割测试,在定性和定量方面分别对比了所提方法基于稀疏表示与字典学习方法和传统CNN的分割结果.实验结果表明,该方法优于基于稀疏表示与字典学习和CNN方法,海马子区分割准确率有较大提升.该方法提升了海马子区的分割准确率,可用于大脑核磁图像中海马子区的分割,为诸多神经退行性疾病的临床诊断与治疗提供依据.     

基于生成对抗网络的肺结节良恶性诊断算法

针对实性肺结节CT影像数据量少、人工标注耗时耗力等问题,提出一种结合生成对抗网络和集成学习的实性肺结节良恶性计算机辅助诊断方法.首先,使用基于梯度惩罚的生成对抗网络对肺结节CT影像数据集进行扩充,缓解由数据量少、样本类别不均衡导致的模型过拟合.然后,利用卷积神经网络进行CT影像特征提取,并通过主成分分析对深度特征进行降维.最后,联合CT图像特征和有效临床信息,采用集成学习方法构建分类模型预测实性肺结节良恶性.基于多中心临床数据分析表明,相比于传统卷积神经网络模型,所提出方法有更好的预测性能.     

多生成器生成对抗网络

生成对抗网络(Generative adversarial networks,GAN)广泛应用于各种领域,尤其在图像生成方面.该模型由生成网络与判别网络2部分组成,在无监督的训练方式下,2个网络相互竞争相互提高.然而,GAN在训练时经常出现模式崩溃问题,进而导致模型收敛较慢,生成样本多样性较差.为解决这一问题,在深度卷积神经网络的基础上提出了一种多生成器生成对抗网络模型.该模型包含多个生成网络,每个生成网络均使用残差网络进行搭建,同时在生成网络间引入协作机制,以加快模型获取信息并减少参数量,最后将各生成网络的特征图进行融合得到最终图像输入到判别网络中.GAN在训练过程中还会出现梯度消失、训练不稳定问题.为避免出现这些问题,将Wasserstein距离和梯度惩罚引入模型的损失函数.通过在多个数据集上与多种相关方法进行实验比较,结果表明提出的模型在缓解模式崩溃问题、加快模型收敛速度以及减少参数量上均明显优于其他几种方法.     

基于噪声检测的多语言知识图谱实体对齐技术研究

针对在实体对齐任务中,由于缺少噪音实体对的标记,导致对齐准确率不高的问题,提出采用健壮性实体对齐(Robust Entity Alignment,REA)方法,设计了噪声感知实体对齐模块和噪声检测模块.首先,噪声感知实体对齐模块是基于图卷积神经网络(Graph Convolutional Networks,GCN)的知识图编码器,将知识图谱中的实体对更新嵌入;然后,基于生成对抗网络(Generative Adversarial Networks,GAN)设计了噪声生成器和噪声鉴别器,从而将实体对中的噪音实体对区分出来;最后,通过一种交互的强化训练策略,迭代使噪声感知和实体对齐相结合.实验结果表明,在DBP15K数据集上测试,新方法能有效提高在涉及噪音情况下的实体对齐精准度,与GCN-Align和IPTransE这些基准嵌入模型相比,Hits@1、Hits@5、M_RR 3个评价指标上均有较大的提升.