CN111861906B - 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 - Google Patents

一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 Download PDF

Info

Publication number
CN111861906B
CN111861906B CN202010574126.5A CN202010574126A CN111861906B CN 111861906 B CN111861906 B CN 111861906B CN 202010574126 A CN202010574126 A CN 202010574126A CN 111861906 B CN111861906 B CN 111861906B
Authority
CN
China
Prior art keywords
network
model
image
crack image
pavement crack
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010574126.5A
Other languages
English (en)
Other versions
CN111861906A (zh
Inventor
孙朝云
李伟
郝雪丽
孙静
裴莉莉
户媛姣
贾彭斐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN202010574126.5A priority Critical patent/CN111861906B/zh
Publication of CN111861906A publication Critical patent/CN111861906A/zh
Application granted granted Critical
Publication of CN111861906B publication Critical patent/CN111861906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于路面裂缝图像处理领域，公开了一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法。模型建立方法包括如下步骤：步骤1：采集路面裂缝图像，对路面裂缝图像依次进行数据质量提升和图像分割，获得真实路面裂缝图像集；步骤2：建立DCGAN生成对抗网络模型，所述DCGAN生成对抗网络模型包括生成器网络和判别器网络，所述的生成器网络和判别器网络的损失函数后设置有惩罚项；步骤3：获取随机噪声，将随机噪声和步骤1获得的真实路面裂缝图像集输入步骤2获得的DCGAN生成对抗网络模型进行训练，训练完成的模型即为路面裂缝图像虚拟增广模型。本发明有效解决了裂缝图像数据集不足的问题，很好的实现了对裂缝图像数据集的数量和多样性的增广。

Description

一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法
技术领域
本发明属于路面裂缝图像处理领域，具体涉及一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法。
背景技术
随着计算机视觉算法与道路图像处理领域的结合，让人工智能辅助路面病害的检测和养护成为了可能。在实际应用中训练一个性能良好的裂缝检测模型通常需要一个大规模的、多样性强的数据集，但是裂缝图像的采集是一个极具耗时耗力的工程，很难满足目前深度学***移等常规方法对图像数据集进行增广，但该方法增广后的数据集样本数量有限且多样性较差，若用此数据集对路面裂缝检测、分类、分割等模型进行训练，则训练好的网络模型缺乏泛化性能且容易发生过拟合现象。因此，如何通过改进图像增广方法从而改善网络模型泛化能力差和模型过拟合的现象，成为了亟待解决的问题。
发明内容
本发明的目的在于提供一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法，用以解决现有技术中增广技术无法大量、高效地对路面裂缝进行增广等问题。
为了实现上述任务，本发明采用以下技术方案：
一种路面裂缝图像虚拟增广模型建立方法，包括如下步骤：
步骤1：采集路面裂缝图像，对路面裂缝图像进行预处理，获得真实路面裂缝图像集，所述路面裂缝为横缝或纵缝；
步骤2：建立DCGAN生成对抗网络模型，所述DCGAN生成对抗网络模型包括生成器网络和判别器网络，所述的生成器网络和判别器网络的损失函数后设置有惩罚项；
步骤3：获取随机噪声，将随机噪声和步骤1获得的真实路面裂缝图像集输入步骤2获得的DCGAN生成对抗网络模型进行训练，训练完成后的生成器网络模型为即为路面裂缝图像虚拟增广模型。
进一步的，所述生成器网络共有5层，第一层为全连接层，第二至五层为卷积层，卷积层均采用Relu作为激活函数。
进一步的，所述判别器网络共有5层，第一至四层为卷积层，第五层为全连接层，卷积层均采用leakyrelu作为激活函数。
进一步的，所述加惩罚项后的损失函数为且其中，X表示生成器网络和判别器网络的输入，y表示生成器网络和判别器网络的输出，w为权重向量，α表示正则化系数取值范围为0到1，||w||1是模型中权重w的绝对值之和。
进一步的，步骤1中预处理包括依次进行的去色、去噪、对比度增强、亮度增强以及分割为统一尺寸的操作。
一种图像虚拟增广方法，包括如下步骤：
获取随机噪声，将随机噪声输入任意一种路面裂缝图像虚拟增广模型建立方法获得的路面裂缝图像虚拟增广模型，获得路面裂缝图像增广数据集。
本发明与现有技术相比具有以下技术特点：
(1)本发明首次使用深度卷积生成式对抗网络对路面裂缝图像进行了生成操作。选择使用L1正则化约束的策略为了减少网络对噪声的学***滑，防止发生过拟合现象。
(2)本发明通过对采用深度卷积生成式对抗网络中的各个超参数进行优化，得到了更加逼真和高质量的路面裂缝图像。
(3)本发明提出的方法有效解决了裂缝图像数据集不足的问题，很好的实现了对裂缝图像数据集的数量和多样性的增广。
附图说明
图1是本发明的总流程图；
图2为生成式对抗网络结构示意图；
图3为深度卷积生成对抗网络中生成器网络结构图；
图4为深度卷积生成对抗网络中判别器网络结构图；
图5是裂缝增广模型的横缝生成效果图；其中，(a)为100epoch生成效果图；(b)为200epoch生成效果图；(c)为300epoch生成效果图；(d)为400epoch生成效果图；(e)为500epoch生成效果图；(f)为600epoch生成效果图；
图6是裂缝增广模型的纵缝生成效果图；其中，(a)为100epoch生成效果图；(b)为200epoch生成效果图；(c)为300epoch生成效果图；(d)为400epoch生成效果图；(e)为500epoch生成效果图；(f)为600epoch生成效果图；
图7为数据集增广前后裂缝检测准确率的变化曲线图。
以下结合附图和实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1
在本实施例中公开了一种路面裂缝图像虚拟增广模型建立方法，包括如下步骤：
步骤1：采集路面裂缝图像，对路面裂缝图像进行预处理，获得真实路面裂缝图像集，所述路面裂缝为横缝或纵缝；
步骤2：建立DCGAN生成对抗网络模型，所述DCGAN生成对抗网络模型包括生成器网络和判别器网络，所述的生成器网络和判别器网络的损失函数后设置有惩罚项；
步骤3：获取随机噪声，将随机噪声和步骤1获得的真实路面裂缝图像集输入步骤2获得的DCGAN生成对抗网络模型进行训练，训练完成后的生成器网络模型为即为路面裂缝图像虚拟增广模型。
所述生成器网络用于输入随机噪声输出生成路面裂缝图像集，所述判别器用于输入生成路面裂缝图像集和真实路面裂缝图像集输出真实概率值。
具体的，所述随机噪声采用TensorFlow生成。
具体的，步骤1中预处理包括依次进行的去色、去噪、对比度增强、亮度增强以及分割为统一尺寸的操作，经过预处理后的图像数据质量提升。
具体的，步骤3中所述真实概率值能表征生成器生成的图片与真实图片相似程度，若概率值大于0.5，则可认定其输入来源于真实数据集；若概率值小于0.5，则说明其输入为生成模型新生成的数据；
具体的，本模型每个训练批次的损失函数如公式(1)所示，是判别器网络第j个训练批次所输出的真实概率值，yj是模型的预测概率值，N为训练批次总数，模型的损失函数值是将每批次的损失函数值求和后再取平均得到的：
具体的，在本文中采用了梯度下降法来更新每层中权重w及偏置b的值。
具体的，本发明通过反向传播算法求得梯度，另外为了提高训练的速度，将训练数据分成了小批次(mini-batches)。在每一个小批次中，在每一步随机选择一小部分训练样本进行梯度计算。这样做的好处是能提高训练速度。
将每一个循环定义为训练数据单次完全训练的过程，整个训练过程需要多个这样的循环。在每个循环的结尾，对用在验证集上的损失函数做评估，选择使得能够最小化验证集损失函数的网络作为最佳选择。根据损失函数的大小来训练生成器，指导模型的训练方向。
在深度卷积神经网络中，样本数据是网络训练的基础，正则化约束则是保证网络学***滑，防止发生过拟合现象，本发明选择使用L1正则化约束的策略。
具体的，所述加惩罚项后的损失函数为且其中，X表示生成器网络和判别器网络的输入，y表示生成器网络和判别器网络的输出，w为权重向量，α表示正则化系数取值范围为0到1，||w||1是模型中权重w的绝对值之和。
对上式求梯度可以得到：
当w为正时，更新后w变小；当w为负时，更新后w变大。使尽可能与0接近，以减小网络的复杂度，防止过拟合现象的发生。当w＝0时，|w|不可导，令sign(0)＝0，将w等于0的情况包含进正则化约束中。
L1正则化利用稀疏特性进行特征选择，将有意义的特征从特征子集中挑选出来，这一特性极大地简化了深度学习特征提取问题，使生成器的生成效果更好。
具体的，生成器网络总共有5层，其中卷积层为4层，全连接层为1层，具体操作为将一个100维的且服从(0,1)均匀分布的随机变量作为生成器的输入。首先该图像通过一个全连接层得到一个4×4×1024的图像，再经过4个卷积核的采用5×5的转置卷积层，目的是不断的扩大图像，最后得到生成器输出的裂缝图像。整个生成器结构中，除了第一层没有使用激活函数，网络中其它层都使用了Relu激活函数。
具体的，判别器的输入为生成的裂缝图像和真实裂缝图像，输出是一个判断真伪的概率值，即这个值可以判别出输入图像的真伪。本文采用的判别器网络总共有5层，其中卷积层为4层，全连接层为1层。判别器的输入时64×64×3的图像。首先该图像通过4次连续的下采样，步长为2，卷积核的尺寸为5×5，这样可以逐渐缩小图像，最后经过全连接层得到一个代表输入图像真伪的概率值。整个判别器结构中，除了最后一层没有使用激活函数，其它层都采用leakyrelu函数。
优选的，所述生成器和判别器的优化器设置为Adam优化器，并且学习率均被设置为0.0002，卷积核尺寸都为5*5。
如表1所示为本发明所构建的深度卷积生成对抗网络的网络参数设置；
表1 DCGAN网络参数设置
如图2所示为生成式对抗网络结构示意图，该网络主要有两部分组成，分别为生成器和判别器
如图3所示为生成器网络结构图。其网络结构为反卷积(Deccmovoluticm)，反卷积一般又可称为转置卷积(Transposed Convolution)，就是通过学习的方式使得特征图尺寸逐渐增大。在训练过程中生成模型的输入一般为随机噪声Z，通过若干层转置卷积计算，定向或非定向地输出与真实数据分布尽量一致的新数据G(z)。生成网络能否生成高质量的结果，取决于如何优化生成网络的结构和参数。
如图4所示为判别器网络结构图。其网络结构类似于传统的循环卷积神经网络，主要通过多个卷积提取输入图像的特征，一般会使得隐含层的特征图尺寸逐渐减小。通过同时输入真实数据集X和生成模型生成的新数据G(z)，得到输出的概率值判断其输入是否来源于真实数据集，若概率值大于0.5，则可认定其输入来源于真实数据集；若概率值小于0.5，则说明其输入为生成模型新生成的数据。
本方法选择Faster R-CNN检测模型对生成的裂缝图像质量以及增强后的裂缝图像数据集的可靠性进行评价。
实施例2
在本实施例中公开了一种图像虚拟增广方法，包括如下步骤：
获取随机噪声，将随机噪声输入任意一种路面裂缝图像虚拟增广模型建立方法获得的路面裂缝图像虚拟增广模型，获得路面裂缝图像增广数据集。
图5是最终优化后的增广模型生成的路面横缝效果图。由图5可看到随着迭代次数的增加，深度卷积生成对抗网络模型生成的路面横缝效果图越来越逼真。
图6是最终优化后的增广模型生成的路面纵缝效果图。由图6可看到随着迭代次数的增加，深度卷积生成对抗网络模型生成的路面纵缝效果图越来越逼真。
图7是数据集增广前后裂缝检测准确率的变化曲线图。X轴代表的是生成式对抗网络生成的虚拟裂缝图像，Y轴代表的是裂缝检测的平均准确度，橙色的曲线代表的是对1000张真实裂缝图像数据集进行增广后，Faster R-CNN检测模型的裂缝检测准确率变化曲线。由该曲线图可以看到，随着虚拟裂缝图像数量的逐渐增加，裂缝检测准确率也在不断的提高。试验表明了在真实裂缝图像数量一定的情况下，当使用生成式对抗网络对原始训练集进行增广后，裂缝检测模型的裂缝检测准确率会得到一定程度上的提升。

Claims (3)

1.一种路面裂缝图像虚拟增广模型建立方法，其特征在于，包括如下步骤：
步骤1：采集路面裂缝图像，对路面裂缝图像进行预处理，获得真实路面裂缝图像集，所述路面裂缝为横缝或纵缝；
步骤2：建立DCGAN生成对抗网络模型，所述DCGAN生成对抗网络模型包括生成器网络和判别器网络，所述的生成器网络和判别器网络的损失函数后设置有惩罚项；
所述生成器网络共有5层，第一层为全连接层，第二至五层为卷积层，卷积层均采用Relu作为激活函数；生成器的输入为一个100维的且服从(0,1)均匀分布的随机变量，通过一个全连接层得到的图像再经过4个卷积核的采用5×5的转置卷积层，最后得到生成器输出的裂缝图像；
所述判别器网络共有5层，第一至四层为卷积层，第五层为全连接层，卷积层均采用leakyrelu作为激活函数；判别器的输入为生成的裂缝图像和真实裂缝图像，该图像通过4次连续的下采样，步长为2，卷积核的尺寸为5×5，最后经过全连接层得到一个代表输入图像真伪的概率值；
所述加惩罚项后的损失函数为，且/>，其中，X表示生成器网络和判别器网络的输入，y表示生成器网络和判别器网络的输出，w为权重向量，α表示正则化系数取值范围为0到1，||w||1是模型中权重w的绝对值之和；
步骤3：获取随机噪声，将随机噪声和步骤1获得的真实路面裂缝图像集输入步骤2获得的DCGAN生成对抗网络模型进行训练，训练完成后的生成器网络模型为即为路面裂缝图像虚拟增广模型。
2.如权利要求1所述的路面裂缝图像虚拟增广模型建立方法，其特征在于，步骤1中预处理包括依次进行的去色、去噪、对比度增强、亮度增强以及分割为统一尺寸的操作。
3.一种图像虚拟增广方法，包括如下步骤：
获取随机噪声，将随机噪声输入如权利要求1或2所述的路面裂缝图像虚拟增广模型建立方法获得的路面裂缝图像虚拟增广模型，获得路面裂缝图像增广数据集。
CN202010574126.5A 2020-06-22 2020-06-22 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 Active CN111861906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010574126.5A CN111861906B (zh) 2020-06-22 2020-06-22 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010574126.5A CN111861906B (zh) 2020-06-22 2020-06-22 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法

Publications (2)

Publication Number Publication Date
CN111861906A CN111861906A (zh) 2020-10-30
CN111861906B true CN111861906B (zh) 2023-10-31

Family

ID=72987142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010574126.5A Active CN111861906B (zh) 2020-06-22 2020-06-22 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法

Country Status (1)

Country Link
CN (1) CN111861906B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112415514B (zh) * 2020-11-16 2023-05-02 北京环境特性研究所 一种目标sar图像生成方法及装置
CN112396110B (zh) * 2020-11-20 2024-02-02 南京大学 一种基于生成对抗级联网络增广图像的方法
CN112862706A (zh) * 2021-01-26 2021-05-28 北京邮电大学 路面裂缝图像预处理方法、装置、电子设备及存储介质
CN113009447B (zh) * 2021-03-05 2023-07-25 长安大学 基于深度学习和探地雷达的道路地下空洞检测预警方法
CN113222114B (zh) * 2021-04-22 2023-08-15 北京科技大学 一种图像数据增广方法及装置
CN113592000A (zh) * 2021-08-03 2021-11-02 成都理工大学 基于卷积对抗神经网络的裂缝识别技术
CN113822880A (zh) * 2021-11-22 2021-12-21 中南大学 一种基于深度学习的裂缝识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN108876780A (zh) * 2018-06-26 2018-11-23 陕西师范大学 一种复杂背景下桥梁裂缝图像裂缝检测方法
CN109345507A (zh) * 2018-08-24 2019-02-15 河海大学 一种基于迁移学习的大坝图像裂缝检测方法
CN110956591A (zh) * 2019-11-06 2020-04-03 河海大学 一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN108876780A (zh) * 2018-06-26 2018-11-23 陕西师范大学 一种复杂背景下桥梁裂缝图像裂缝检测方法
CN109345507A (zh) * 2018-08-24 2019-02-15 河海大学 一种基于迁移学习的大坝图像裂缝检测方法
CN110956591A (zh) * 2019-11-06 2020-04-03 河海大学 一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于生成式对抗网络的裂缝图像修复方法;胡敏;李良福;;计算机应用与软件(第06期);全文 *
复杂背景下基于图像处理的桥梁裂缝检测算法;李良福;孙瑞;;激光与光电子学进展(第06期);全文 *

Also Published As

Publication number Publication date
CN111861906A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111861906B (zh) 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法
CN109035149B (zh) 一种基于深度学习的车牌图像去运动模糊方法
CN110188685B (zh) 一种基于双注意力多尺度级联网络的目标计数方法及***
CN108596258B (zh) 一种基于卷积神经网络随机池化的图像分类方法
CN108985317B (zh) 一种基于可分离卷积和注意力机制的图像分类方法
CN109345507B (zh) 一种基于迁移学习的大坝图像裂缝检测方法
CN113313657B (zh) 一种用于低光照图像增强的非监督学习方法和***
CN110827213A (zh) 一种基于生成式对抗网络的超分辨率图像修复方法
CN108847223B (zh) 一种基于深度残差神经网络的语音识别方法
CN108596818B (zh) 一种基于多任务学习卷积神经网络的图像隐写分析方法
CN112489164B (zh) 基于改进深度可分离卷积神经网络的图像着色方法
CN106709877A (zh) 一种基于多参数正则优化模型的图像去模糊方法
CN111915522A (zh) 一种基于注意力机制的图像修复方法
CN111046917B (zh) 基于深度神经网络的对象性增强目标检测方法
CN112365514A (zh) 基于改进PSPNet的语义分割方法
CN110223231A (zh) 一种含噪图像的快速超分辨重建算法
CN112884668A (zh) 基于多尺度的轻量级低光图像增强方法
CN115471423A (zh) 一种基于生成对抗网络及自注意力机制的点云去噪方法
CN117830835A (zh) 一种基于深度学习的卫星遥感图像分割方法
CN111382684B (zh) 基于对抗学习的角度鲁棒的个性化人脸表情识别方法
CN114723733A (zh) 一种基于公理解释的类激活映射方法及装置
CN114723049A (zh) 一种基于梯度优化的类激活映射方法及装置
CN114140317A (zh) 一种基于级联生成对抗网络的图像动漫化方法
CN114066744A (zh) 一种基于风格约束的艺术图像修复方法及***
CN113657290A (zh) 一种螺类采集与细分类识别***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant