CN118036701A - 一种基于紫外图像的绝缘子电晕放电数据增强方法及*** - Google Patents
一种基于紫外图像的绝缘子电晕放电数据增强方法及*** Download PDFInfo
- Publication number
- CN118036701A CN118036701A CN202410424172.5A CN202410424172A CN118036701A CN 118036701 A CN118036701 A CN 118036701A CN 202410424172 A CN202410424172 A CN 202410424172A CN 118036701 A CN118036701 A CN 118036701A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- convolution
- output data
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 239000012212 insulator Substances 0.000 title claims abstract description 53
- 230000006870 function Effects 0.000 claims abstract description 57
- 230000009977 dual effect Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 22
- 230000002708 enhancing effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 3
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于紫外图像的绝缘子电晕放电数据增强方法及***，包括：获取绝缘子电晕放电的紫外图像，根据labelme工具对所述紫外图像中的绝缘子及放电区域采用多边形框进行标注，得到标注后的目标紫外图像；将所述目标紫外图像输入至预先构建的生成对抗网络模型中，所述对抗网络模型输出与所述目标紫外图像对应的虚拟紫外图像。对生成对抗网络损失函数进行优化，在生成对抗损失函数中加入了强学习区域损失实现局部监督学习，使得网络模型在小数据集上训练也能得到不错的效果，通过调节损失函数中强学习权值可控制监督学习参与权重来优化生成对抗网络模型性能。
Description
技术领域
本发明属于放电数据增强技术领域，尤其涉及一种基于紫外图像的绝缘子电晕放电数据增强方法及***。
背景技术
传统数据增强方法是深度学***移、剪裁、亮度调整、对比度调整、噪声添加、颜色变换、组合变换。
尽管传统数据增强方法在一定程度上可以改善模型的泛化性能，但它们存在一些缺陷和局限性。如旋转、翻转和缩放操作可能使图像中的部分信息被截断或失真，同时传统数据增强方法通常是基于像素级别的操作，而忽略了数据的语义关系。这可能导致生成的样本在语义上不一致，从而降低了模型的性能。并且传统数据增强方法可能过于简化数据的变换，无法模拟真实世界中的复杂变化。这可能导致模型对于真实场景的泛化能力不足。生成对抗网络（GANs）是一种先进的数据增强方法，相比传统方法具有一些显著的优势，特别是在保留数据语义信息和生成高质量样本。GANs生成的样本通常能够更好地保留数据的语义信息。与传统的像素级别操作相比，GANs能够在生成样本时更好地考虑数据的结构和关系，产生更具有意义的样本。
但是，生成对抗网络训练过程中可能出现模式塌缩的问题，即生成器倾向于只学习生成数据分布中的一部分模式，而不是整个分布。这可能导致生成的样本缺乏多样性，影响了模型的泛化能力。同时生成对抗网络训练过程通常是相对复杂和不稳定的，可能需要仔细的超参数调整和监控。生成器和判别器之间的博弈可能导致训练过程中的震荡和不稳定，使得生成器难以学习到真实数据分布。
发明内容
本发明提供一种基于紫外图像的绝缘子电晕放电数据增强方法及***，用于解决生成器和判别器之间的博弈可能导致训练过程中的震荡和不稳定，使得生成器难以学习到真实数据分布的技术问题。
第一方面，本发明提供一种基于紫外图像的绝缘子电晕放电数据增强方法，包括：
获取绝缘子电晕放电的紫外图像，根据labelme工具对所述紫外图像中的绝缘子及放电区域采用多边形框进行标注，得到标注后的目标紫外图像；
将所述目标紫外图像输入至预先构建的生成对抗网络模型中，所述对抗网络模型输出与所述目标紫外图像对应的虚拟紫外图像，其中，所述生成对抗网络模型包括双通道生成器以及判别器，所述双通道生成器包括编码结构、解码结构以及辅助解码结构，且所述生成对抗网络模型的生成对抗网络损失函数的表达式为：
，
式中，为生成对抗网络损失函数，/>为在双通道生成器中由图像x生成的图像y，/>为在双通道生成器中由图像y生成的图像x，/>为x类型图像的概率，/>为y类型图像的概率，/>为判别器/>的生成对抗损失子函数， />为x种类的图像集合，/>为y种类的图像集合，/>为判别器/>的生成对抗损失子函数，/>为对输入图像进行判别，得到输入图像为y种类的概率，/>为对输入图像进行判别，得到输入图像为x种类的概率，/>为循环一致性损失子函数，/>为强学习权值，/>，/>为强学习区域损失子函数；
其中，所述强学习区域损失子函数的表达式为：
，
，
，
式中，为二维平面Ω上的像素位置，/>为经过计算加权后的图像特征数据，为对/>做softmax函数计算，/>为in在真实特征标签所在通道上的输出概率，为卷积-S模块输出数据对应第k通道的值，/>为卷积-S模块输出数据对应第/>通道的值，/>为强学习特征类别总数加上背景数， />为强学习特征类别权重，/>为像素点的权值，/>为特征像素点到其它特征或背景最近的边界距离，/>为特征像素到第二近的其它特征或背景边界距离，/>为距离权重缩放系数，Log为对数函数，e为自然对数。
第二方面，本发明提供一种基于紫外图像的绝缘子电晕放电数据增强***，包括：
标注模块，配置为获取绝缘子电晕放电的紫外图像，根据labelme工具对所述紫外图像中的绝缘子及放电区域采用多边形框进行标注，得到标注后的目标紫外图像；
输出模块，配置为将所述目标紫外图像输入至预先构建的生成对抗网络模型中，所述对抗网络模型输出与所述目标紫外图像对应的虚拟紫外图像，其中，所述生成对抗网络模型包括双通道生成器以及判别器，所述双通道生成器包括编码结构、解码结构以及辅助解码结构，且所述生成对抗网络模型的生成对抗网络损失函数的表达式为：
，
式中，为生成对抗网络损失函数，/>为在双通道生成器中由图像x生成的图像y，/>为在双通道生成器中由图像y生成的图像x，/>为x类型图像的概率，/>为y类型图像的概率，/>为判别器/>的生成对抗损失子函数， />为x种类的图像集合，/>为y种类的图像集合，/>为判别器/>的生成对抗损失子函数，/>为对输入图像进行判别，得到输入图像为y种类的概率，/>为对输入图像进行判别，得到输入图像为x种类的概率，/>为循环一致性损失子函数，/>为强学习权值，/>，/>为强学习区域损失子函数；
其中，所述强学习区域损失子函数的表达式为：
，
，
，
式中，为二维平面Ω上的像素位置，/>为经过计算加权后的图像特征数据，为对/>做softmax函数计算，/>为in在真实特征标签所在通道上的输出概率，为卷积-S模块输出数据对应第k通道的值，/>为卷积-S模块输出数据对应第/>通道的值，/>为强学习特征类别总数加上背景数， />为强学习特征类别权重，/>为像素点的权值，/>为特征像素点到其它特征或背景最近的边界距离，/>为特征像素到第二近的其它特征或背景边界距离，/>为距离权重缩放系数，Log为对数函数，e为自然对数。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于紫外图像的绝缘子电晕放电数据增强方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于紫外图像的绝缘子电晕放电数据增强方法的步骤。
本申请的基于紫外图像的绝缘子电晕放电数据增强方法及***，采用了监督学习方式构建了生成对抗网络模型，在有标签情况下生成对抗网络的双通道生成器会更着重学习重要特征，将绝缘子紫外图像输入得到更接近真实图像的虚拟绝缘子电晕放电紫外图像，同时生成器和判别器之间的一块训练使得生成对抗网络能够从数据中学到潜在的数据分布。对生成对抗网络损失函数进行优化，在生成对抗损失函数中加入了强学习区域损失实现局部监督学习，使得网络模型在小数据集上训练也能得到不错的效果，通过调节损失函数中强学习权值可控制监督学习参与权重来优化生成对抗网络模型性能。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于紫外图像的绝缘子电晕放电数据增强方法的流程图；
图2为本发明一实施例提供一个具体实施例的双通道生成器的结构流程图；
图3为本发明一实施例提供的一具体实施例的判别器的结构流程图；
图4为本发明一实施例提供的一种基于紫外图像的绝缘子电晕放电数据增强***的结构框图；
图5是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的一种基于紫外图像的绝缘子电晕放电数据增强方法的流程图。
如图1所示，基于紫外图像的绝缘子电晕放电数据增强方法具体包括以下步骤：
步骤S101，获取绝缘子电晕放电的紫外图像，根据labelme工具对所述紫外图像中的绝缘子及放电区域采用多边形框进行标注，得到标注后的目标紫外图像。
步骤S102，将所述目标紫外图像输入至预先构建的生成对抗网络模型中，所述对抗网络模型输出与所述目标紫外图像对应的虚拟紫外图像。
在本步骤中，生成对抗网络模型包括双通道生成器以及判别器，双通道生成器包括编码结构、解码结构以及辅助解码结构，且生成对抗网络模型的生成对抗网络损失函数的表达式为：
，
式中，为生成对抗网络损失函数，/>为在双通道生成器中由图像x生成的图像y，/>为在双通道生成器中由图像y生成的图像x，/>为x类型图像的概率，/>为y类型图像的概率，/>为判别器/>的生成对抗损失子函数， />为x种类的图像集合，/>为y种类的图像集合，/>为判别器/>的生成对抗损失子函数，/>为对输入图像进行判别，得到输入图像为y种类的概率，/>为对输入图像进行判别，得到输入图像为x种类的概率，/>为循环一致性损失子函数，/>为强学习权值，/>，/>为强学习区域损失子函数；
其中，强学习区域损失子函数的表达式为：
，
，
，
式中，为二维平面Ω上的像素位置，/>为经过计算加权后的图像特征数据，为对/>做softmax函数计算，/>为in在真实特征标签所在通道上的输出概率，为卷积-S模块输出数据对应第k通道的值，/>为卷积-S模块输出数据对应第/>通道的值，/>为强学习特征类别总数加上背景数， />为强学习特征类别权重，/>为像素点的权值，/>为特征像素点到其它特征或背景最近的边界距离，/>为特征像素到第二近的其它特征或背景边界距离，/>为距离权重缩放系数，Log为对数函数，e为自然对数；
生成对抗损失子函数的表达式为：
，
，
式中，为在x种类的图像集合中取的样本，/>为在y种类的图像集合中取的样本，/>为图像y是否是y种类的图像集合中取的样本概率，/>为图像x是否是x种类的图像集合中取的样本概率，/>为判别器/>判断双通道生成器/>的输出图像Y1为x类型图像的概率，/>为图像x传入双通道生成器/>生成得到的y类型图像，/>为判别器/>判断双通道生成器/>的输出图像Y2为y类型图像的概率，为图像y传入双通道生成器/>生成得到的x类型图像，/>为判别器/>判断双通道生成器/>的输出图像Y2为x类型图像的概率;
循环一致性损失子函数的表达式为：
，
式中，为将图像x输入/>生成伪造的y类型图像，将伪造的y图像输入/>得到伪造图像x，/>表示j取1时，图像x传入双通道生成器/>生成得到输出图像Y1，并舍弃输出图像Y2，j取2时，图像x传入双通道生成器/>生成得到输出图像Y2，并舍弃输出图像Y1，/>表示i取1时，仅获取双通道生成器/>的输出图像Y1，并舍弃输出图像Y2，i取2时，仅获取双通道生成器/>的输出图像Y2，并舍弃输出图像Y1，/>为将图像y输入/>生成伪造的x类型图像，将伪造的x图像输入/>得到伪造图像y。
需要说明的是，如图2所示，编码结构包括第一边界轴镜像填充模块、第一编码卷积模块、第二编码卷积模块、第三编码卷积模块以及多重残差模块；
第一边界轴镜像填充模块的填充方式是以输入向量的边界为对称轴，以设定的填充大小为步长，将输入向量的边界内步长大小的元素，对称填充；
第一编码卷积模块、第二编码卷积模块和第三编码卷积模块均包括卷积核大小为3×3的卷积、实例正则化以及Leaky ReLU激活函数；
多重残差模块包括9个残差模块，残差模块包括反射填充、卷积、实例正则化以及ReLu激活函数。
编码结构的初始输入数据为图像X，图像X的图像大小为256×256×3，将图像X传入第一边界轴镜像填充模块获得图像大小为256×256×3的输出数据A1；
将输出数据A1作为输入数据传入第一编码卷积模块得到图像大小为256×256×64的输出数据A2；
将输出数据A2作为输入数据传入第二编码卷积模块得到图像大小为128×128×128的输出数据A3；
将输出数据A3作为输入数据传入第三编码卷积模块得到图像大小为64×64×256的输出数据A4；
将输出数据A4作为输入数据传入多重残差模块得到图像大小为64×64×256的输出数据A5。
解码结构包括第一解码卷积模块、第二解码卷积模块、第二边界轴镜像填充模块、第一卷积-T模块以及第三卷积操作模块；
第一解码卷积模块和第二解码卷积模块均包括反卷积、实例正则化以及ReLu激活函数；
第二边界轴镜像填充模块对输入数据按照顺序进行卷积、反射填充两个操作后得到输出数据；
第一卷积-T模块对输入数据按顺序进行卷积、Tanh激活两个操作后得到输出数据。
解码结构的初始输入为输出数据A5，将输出数据A5作为输入数据传入第一解码卷积模块得到图像大小为128×128×128的输出数据B1；
将输出数据B1作为输入数据传入第二解码卷积模块得到图像大小为256×256×64的输出数据B2；
将输出数据B2作为输入数据传入第二边界镜像填充模块得到图像大小为262×262×3的输出数据B3；
将输出数据B3作为输入数据传入第一卷积-T模块得到图像大小为256×256×3的输出数据B4；
将输出数据B4作为输入数据传入第三卷积操作模块得到图像大小为256×256×3的输出数据Y2。
辅助解码结构包括第一卷积模块、第二卷积模块，第一复合卷积模块、第二复合卷积模块、第一卷积操作模块、第二卷积操作模块、卷积-S模块、第一矩阵乘法模块、第二矩阵乘法模块、矩阵加法模块以及第二卷积-T模块；
第一卷积模块和第二卷积模块均包括卷积、批量归一化以及LeakyReLu激活函数；
第一复合卷积模块和第二复合卷积模块均包括反卷积、通道深化、卷积、批量归一化以及LeakyReLu激活函数；
卷积-S模块对输入数据按顺序进行卷积、SiLu激活两个操作后得到输出数据；
第一矩阵乘法模块和第二矩阵乘法模块均有两个输入数据，两个输入数据维度大小一致，分别通过第一矩阵乘法模块和第二矩阵乘法模块对两个输入数据进行按位相乘操作得到输出数据；
矩阵加法模块有三个输入数据，三个输入数据维度大小一致，矩阵加法模块对三个输入数据进行按位相加操作得到输出数据；
第二卷积-T模块对输入数据按顺序进行卷积、Tanh激活两个操作后得到输出数据。
辅助解码结构的初始输入为图像X、输出数据A5和输出数据Y2，将输出数据A5作为输入数据传入第一卷积模块得到图像大小为64×64×256的输出数据C1；
将输出数据C1作为输入数据传入第一复合卷积模块得到图像大小为128×128×128的输出数据C2；
将输出数据C2作为输入数据传入第二复合卷积模块得到图像大小为256×256×64的输出数据C3；
将输出数据C3作为输入数据传入第二卷积模块得到图像大小为256×256×64的输出数据C4；
将输出数据C4作为输入数据传入卷积-S（卷积-SiLu激活函数）模块得到图像大小为256×256×64的输出数据C5；
将输出数据C5作为输入数据传入卷积-S模块得到图像大小为256×256×N的输出数据C6，其中，N为强学习特征类别总数加上背景数；
将输出数据C6作为输入数据传入第一卷积操作模块得到图像大小为256×256×3的输出数据C7-1，同时将输出数据C6作为输入数据传入第二卷积操作模块得到图像大小为256×256×N的输出数据C7-2；
将图像X和输出数据C7-1作为输入数据传入第一矩阵乘法模块得到图像大小为256×256×3的输出数据C8-1，同时将输出数据Y2与输出数据C7-1作为输入数据传入第二矩阵乘法模块得到图像大小为256×256×3的输出数据C8-2；
将输出数据C8-1、输出数据C8-2以及输出数据Y2作为输入数据传入矩阵加法模块得到图像大小为256×256×3的输出数据C9；
将输出数据C9作为输入数据传入第二卷积-T（卷积-tanh激活函数）模块得到图像大小为256×256×3的输出数据Y1。
进一步地，如图3所示，判别器包括卷积-L模块、第一判别器卷积模块、第二判别器卷积模块、第三判别器卷积模块以及输出卷积模块；
所述卷积-L模块对输入数据按顺序进行卷积、LeakyReLu激活两个操作后得到输出数据，所述第一判别器卷积模块、第二判别器卷积模块以及第三判别器卷积模块均包括卷积、实例正则化和Leaky ReLU激活函数；
所述判别器的初始输入为输出数据Y1或图像X，将输出数据Y1或图像X传入卷积-L模块得到图像大小为128×128×64的输出数据D1；
将输出数据D1作为输入数据传入第一判别器卷积模块得到图像大小为64×64×128的输出数据D2；
将输出数据D2作为输入数据传入第二判别器卷积模块得到图像大小为32×32×256的输出数据D3；
将输出数据D3作为输入数据传入第三判别器卷积模块得到图像大小为31×31×512的输出数据D4；
将输出数据D4作为输入数据传入输出卷积模块得到图像大小为30×30×1的输出数据D5。
在一个具体实施例中，生成对抗网络的训练过程包括双通道生成器和判别器两个网络之间的博弈。以下是生成对抗网络模型的基本训练步骤：
初始化网络参数：随机初始化生成器和判别器的权重和偏置。
双通道生成器生成假样本：使用生成器网络接收一张真实在图片，并生成基于真实图片伪造的假图片（假样本）。
例：如将任意图片输入到双通道生成器中将会得到两张不同的伪造的绝缘子放电的紫外图像。
真实样本提供给判别器：从真实数据集中提取真实样本。
判别器评估样本：判别器网络同时接收真实样本和双通道生成器生成的假样本，并尝试区分它们。目标是让判别器能够准确地识别哪些样本是真实的，哪些是生成的。
计算判别器损失：根据判别器的判别结果，计算判别器的损失。这个损失反映了判别器对真实和生成样本的分类性能。
双通道生成器生成更逼真的伪造样本：双通道生成器使用反向传播和梯度下降的方法，通过最小化判别器的损失，生成更逼真的样本。
计算双通道生成器损失：根据双通道生成器生成的样本经过判别器的判别结果，计算双通道生成器的损失。双通道生成器的目标是欺骗判别器，使其无法准确识别生成的样本。
反向传播更新网络参数：将双通道生成器和判别器的损失通过反向传播算法传播回网络，更新网络参数。这使得双通道生成器和判别器在下一轮博弈中表现更好。
重复迭代过程：重复以上步骤多次，让双通道生成器和判别器逐渐优化，以达到双通道生成器生成逼真样本，判别器无法准确判别真伪的状态。
训练终止或达到收敛：当双通道生成器生成的样本逼真到足以欺骗判别器，或者训练达到预定的迭代次数时，停止训练。
综上，本申请的方法，采用了监督学习方式构建了生成对抗网络模型，在有标签情况下生成对抗网络的双通道生成器会更着重学习重要特征，将绝缘子紫外图像输入得到更接近真实图像的虚拟绝缘子电晕放电紫外图像，同时生成器和判别器之间的一块训练使得生成对抗网络能够从数据中学到潜在的数据分布。对生成对抗网络损失函数进行优化，在生成对抗损失函数中加入了强学习区域损失实现局部监督学习，使得网络模型在小数据集上训练也能得到不错的效果，通过调节损失函数中强学习权值可控制监督学习参与权重来优化生成对抗网络模型性能。
请参阅图4，其示出了本申请的一种基于紫外图像的绝缘子电晕放电数据增强***的结构框图。
如图4所示，绝缘子电晕放电数据增强***200，包括标注模块210以及输出模块220。
其中，标注模块210，配置为获取绝缘子电晕放电的紫外图像，根据labelme工具对所述紫外图像中的绝缘子及放电区域采用多边形框进行标注，得到标注后的目标紫外图像；
输出模块220，配置为将所述目标紫外图像输入至预先构建的生成对抗网络模型中，所述对抗网络模型输出与所述目标紫外图像对应的虚拟紫外图像，其中，所述生成对抗网络模型包括双通道生成器以及判别器，所述双通道生成器包括编码结构、解码结构以及辅助解码结构，且所述生成对抗网络模型的生成对抗网络损失函数的表达式为：
，
式中，为生成对抗网络损失函数，/>为在双通道生成器中由图像x生成的图像y，/>为在双通道生成器中由图像y生成的图像x，/>为x类型图像的概率，/>为y类型图像的概率，/>为判别器/>的生成对抗损失子函数， />为x种类的图像集合，/>为y种类的图像集合，/>为判别器/>的生成对抗损失子函数，/>为对输入图像进行判别，得到输入图像为y种类的概率，/>为对输入图像进行判别，得到输入图像为x种类的概率，/>为循环一致性损失子函数，/>为强学习权值，/>，/>为强学习区域损失子函数；
其中，所述强学习区域损失子函数的表达式为：
，
，
，
式中，为二维平面Ω上的像素位置，/>为经过计算加权后的图像特征数据，为对/>做softmax函数计算，/>为in在真实特征标签所在通道上的输出概率，为卷积-S模块输出数据对应第k通道的值，/>为卷积-S模块输出数据对应第/>通道的值，/>为强学习特征类别总数加上背景数， />为强学习特征类别权重，/>为像素点的权值，/>为特征像素点到其它特征或背景最近的边界距离，/>为特征像素到第二近的其它特征或背景边界距离，/>为距离权重缩放系数，Log为对数函数，e为自然对数。
应当理解，图4中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图4中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的基于紫外图像的绝缘子电晕放电数据增强方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取绝缘子电晕放电的紫外图像，根据labelme工具对所述紫外图像中的绝缘子及放电区域采用多边形框进行标注，得到标注后的目标紫外图像；
将所述目标紫外图像输入至预先构建的生成对抗网络模型中，所述对抗网络模型输出与所述目标紫外图像对应的虚拟紫外图像，其中，所述生成对抗网络模型包括双通道生成器以及判别器，所述双通道生成器包括编码结构、解码结构以及辅助解码结构，且所述生成对抗网络模型的生成对抗网络损失函数的表达式为：
，
式中，为生成对抗网络损失函数，/>为在双通道生成器中由图像x生成的图像y，/>为在双通道生成器中由图像y生成的图像x，/>为x类型图像的概率，/>为y类型图像的概率，/>为判别器/>的生成对抗损失子函数， />为x种类的图像集合，/>为y种类的图像集合，/>为判别器/>的生成对抗损失子函数，/>为对输入图像进行判别，得到输入图像为y种类的概率，/>为对输入图像进行判别，得到输入图像为x种类的概率，/>为循环一致性损失子函数，/>为强学习权值，/>，/>为强学习区域损失子函数；
其中，所述强学习区域损失子函数的表达式为：
，
，
，
式中，为二维平面Ω上的像素位置，/>为经过计算加权后的图像特征数据，为对/>做softmax函数计算，/>为in在真实特征标签所在通道上的输出概率，为卷积-S模块输出数据对应第k通道的值，/>为卷积-S模块输出数据对应第/>通道的值，/>为强学习特征类别总数加上背景数， />为强学习特征类别权重，/>为像素点的权值，/>为特征像素点到其它特征或背景最近的边界距离，/>为特征像素到第二近的其它特征或背景边界距离，/>为距离权重缩放系数，Log为对数函数，e为自然对数。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据基于紫外图像的绝缘子电晕放电数据增强***的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于紫外图像的绝缘子电晕放电数据增强***。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图5是本发明实施例提供的电子设备的结构示意图，如图5所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图5中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于紫外图像的绝缘子电晕放电数据增强方法。输入装置330可接收输入的数字或字符信息，以及产生与基于紫外图像的绝缘子电晕放电数据增强***的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于紫外图像的绝缘子电晕放电数据增强***中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取绝缘子电晕放电的紫外图像，根据labelme工具对所述紫外图像中的绝缘子及放电区域采用多边形框进行标注，得到标注后的目标紫外图像；
将所述目标紫外图像输入至预先构建的生成对抗网络模型中，所述对抗网络模型输出与所述目标紫外图像对应的虚拟紫外图像，其中，所述生成对抗网络模型包括双通道生成器以及判别器，所述双通道生成器包括编码结构、解码结构以及辅助解码结构，且所述生成对抗网络模型的生成对抗网络损失函数的表达式为：
，
式中，为生成对抗网络损失函数，/>为在双通道生成器中由图像x生成的图像y，/>为在双通道生成器中由图像y生成的图像x，/>为x类型图像的概率，/>为y类型图像的概率，/>为判别器/>的生成对抗损失子函数， />为x种类的图像集合，/>为y种类的图像集合，/>为判别器/>的生成对抗损失子函数，/>为对输入图像进行判别，得到输入图像为y种类的概率，/>为对输入图像进行判别，得到输入图像为x种类的概率，/>为循环一致性损失子函数，/>为强学习权值，/>，/>为强学习区域损失子函数；
其中，所述强学习区域损失子函数的表达式为：
，/>
，
，
式中，为二维平面Ω上的像素位置，/>为经过计算加权后的图像特征数据，为对/>做softmax函数计算，/>为in在真实特征标签所在通道上的输出概率，为卷积-S模块输出数据对应第k通道的值，/>为卷积-S模块输出数据对应第/>通道的值，/>为强学习特征类别总数加上背景数， />为强学习特征类别权重，/>为像素点的权值，/>为特征像素点到其它特征或背景最近的边界距离，/>为特征像素到第二近的其它特征或背景边界距离，/>为距离权重缩放系数，Log为对数函数，e为自然对数。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于紫外图像的绝缘子电晕放电数据增强方法，其特征在于，包括：
获取绝缘子电晕放电的紫外图像，根据labelme工具对所述紫外图像中的绝缘子及放电区域采用多边形框进行标注，得到标注后的目标紫外图像；
将所述目标紫外图像输入至预先构建的生成对抗网络模型中，所述对抗网络模型输出与所述目标紫外图像对应的虚拟紫外图像，其中，所述生成对抗网络模型包括双通道生成器以及判别器，所述双通道生成器包括编码结构、解码结构以及辅助解码结构，且所述生成对抗网络模型的生成对抗网络损失函数的表达式为：
，
式中，为生成对抗网络损失函数，/>为在双通道生成器中由图像x生成的图像y，/>为在双通道生成器中由图像y生成的图像x，/>为x类型图像的概率，/>为y类型图像的概率，/>为判别器/>的生成对抗损失子函数， />为x种类的图像集合，/>为y种类的图像集合，/>为判别器/>的生成对抗损失子函数，/>为对输入图像进行判别，得到输入图像为y种类的概率，/>为对输入图像进行判别，得到输入图像为x种类的概率，/>为循环一致性损失子函数，/>为强学习权值，/>，/>为强学习区域损失子函数；
其中，所述强学习区域损失子函数的表达式为：
，
，
，
式中，为二维平面Ω上的像素位置，/>为经过计算加权后的图像特征数据，/>为对/>做softmax函数计算，/>为in在真实特征标签所在通道上的输出概率，/>为卷积-S模块输出数据对应第k通道的值，/>为卷积-S模块输出数据对应第/>通道的值，/>为强学习特征类别总数加上背景数， />为强学习特征类别权重，/>为像素点的权值，/>为特征像素点到其它特征或背景最近的边界距离，/>为特征像素到第二近的其它特征或背景边界距离，/>为距离权重缩放系数，Log为对数函数，e为自然对数。
2.根据权利要求1所述的一种基于紫外图像的绝缘子电晕放电数据增强方法，其特征在于，所述编码结构包括第一边界轴镜像填充模块、第一编码卷积模块、第二编码卷积模块、第三编码卷积模块以及多重残差模块；
所述第一边界轴镜像填充模块的填充方式是以输入向量的边界为对称轴，以设定的填充大小为步长，将输入向量的边界内步长大小的元素，对称填充；
所述第一编码卷积模块、所述第二编码卷积模块和所述第三编码卷积模块均包括卷积核大小为3×3的卷积、实例正则化以及Leaky ReLU激活函数；
所述多重残差模块包括9个残差模块，残差模块包括反射填充、卷积、实例正则化以及ReLu激活函数。
3.根据权利要求2所述的一种基于紫外图像的绝缘子电晕放电数据增强方法，其特征在于，所述编码结构的初始输入数据为图像X，图像X的图像大小为256×256×3，将图像X传入第一边界轴镜像填充模块获得图像大小为256×256×3的输出数据A1；
将输出数据A1作为输入数据传入第一编码卷积模块得到图像大小为256×256×64的输出数据A2；
将输出数据A2作为输入数据传入第二编码卷积模块得到图像大小为128×128×128的输出数据A3；
将输出数据A3作为输入数据传入第三编码卷积模块得到图像大小为64×64×256的输出数据A4；
将输出数据A4作为输入数据传入多重残差模块得到图像大小为64×64×256的输出数据A5。
4.根据权利要求1所述的一种基于紫外图像的绝缘子电晕放电数据增强方法，其特征在于，所述解码结构包括第一解码卷积模块、第二解码卷积模块、第二边界轴镜像填充模块、第一卷积-T模块以及第三卷积操作模块；
所述第一解码卷积模块和所述第二解码卷积模块均包括反卷积、实例正则化以及ReLu激活函数；
所述第二边界轴镜像填充模块对输入数据按照顺序进行卷积、反射填充两个操作后得到输出数据；
所述第一卷积-T模块对输入数据按顺序进行卷积、Tanh激活两个操作后得到输出数据。
5.根据权利要求4所述的一种基于紫外图像的绝缘子电晕放电数据增强方法，其特征在于，所述解码结构的初始输入为输出数据A5，将输出数据A5作为输入数据传入第一解码卷积模块得到图像大小为128×128×128的输出数据B1；
将输出数据B1作为输入数据传入第二解码卷积模块得到图像大小为256×256×64的输出数据B2；
将输出数据B2作为输入数据传入第二边界镜像填充模块得到图像大小为262×262×3的输出数据B3；
将输出数据B3作为输入数据传入第一卷积-T模块得到图像大小为256×256×3的输出数据B4；
将输出数据B4作为输入数据传入第三卷积操作模块得到图像大小为256×256×3的输出数据Y2。
6.根据权利要求1所述的一种基于紫外图像的绝缘子电晕放电数据增强方法，其特征在于，所述辅助解码结构包括第一卷积模块、第二卷积模块，第一复合卷积模块、第二复合卷积模块、第一卷积操作模块、第二卷积操作模块、卷积-S模块、第一矩阵乘法模块、第二矩阵乘法模块、矩阵加法模块以及第二卷积-T模块；
所述第一卷积模块和所述第二卷积模块均包括卷积、批量归一化以及LeakyReLu激活函数；
所述第一复合卷积模块和所述第二复合卷积模块均包括反卷积、通道深化、卷积、批量归一化以及LeakyReLu激活函数；
所述卷积-S模块对输入数据按顺序进行卷积、SiLu激活两个操作后得到输出数据；
所述第一矩阵乘法模块和所述第二矩阵乘法模块均有两个输入数据，两个输入数据维度大小一致，分别通过所述第一矩阵乘法模块和所述第二矩阵乘法模块对两个输入数据进行按位相乘操作得到输出数据；
所述矩阵加法模块有三个输入数据，三个输入数据维度大小一致，所述矩阵加法模块对三个输入数据进行按位相加操作得到输出数据；
所述第二卷积-T模块对输入数据按顺序进行卷积、Tanh激活两个操作后得到输出数据。
7.根据权利要求6所述的一种基于紫外图像的绝缘子电晕放电数据增强方法，其特征在于，所述辅助解码结构的初始输入为图像X、输出数据A5和输出数据Y2，将输出数据A5作为输入数据传入第一卷积模块得到图像大小为64×64×256的输出数据C1；
将输出数据C1作为输入数据传入第一复合卷积模块得到图像大小为128×128×128的输出数据C2；
将输出数据C2作为输入数据传入第二复合卷积模块得到图像大小为256×256×64的输出数据C3；
将输出数据C3作为输入数据传入第二卷积模块得到图像大小为256×256×64的输出数据C4；
将输出数据C4作为输入数据传入卷积-S模块得到图像大小为256×256×64的输出数据C5；
将输出数据C5作为输入数据传入卷积-S模块得到图像大小为256×256×N的输出数据C6，其中，N为强学习特征类别总数加上背景数；
将输出数据C6作为输入数据传入第一卷积操作模块得到图像大小为256×256×3的输出数据C7-1，同时将输出数据C6作为输入数据传入第二卷积操作模块得到图像大小为256×256×N的输出数据C7-2；
将图像X和输出数据C7-1作为输入数据传入第一矩阵乘法模块得到图像大小为256×256×3的输出数据C8-1，同时将输出数据Y2与输出数据C7-1作为输入数据传入第二矩阵乘法模块得到图像大小为256×256×3的输出数据C8-2；
将输出数据C8-1、输出数据C8-2以及输出数据Y2作为输入数据传入矩阵加法模块得到图像大小为256×256×3的输出数据C9；
将输出数据C9作为输入数据传入第二卷积-T模块得到图像大小为256×256×3的输出数据Y1。
8.根据权利要求1所述的一种基于紫外图像的绝缘子电晕放电数据增强方法，其特征在于，所述判别器包括卷积-L模块、第一判别器卷积模块、第二判别器卷积模块、第三判别器卷积模块以及输出卷积模块；
所述卷积-L模块对输入数据按顺序进行卷积、LeakyReLu激活两个操作后得到输出数据，所述第一判别器卷积模块、第二判别器卷积模块以及第三判别器卷积模块均包括卷积、实例正则化和Leaky ReLU激活函数；
所述判别器的初始输入为输出数据Y1或图像X，将输出数据Y1或图像X传入卷积-L模块得到图像大小为128×128×64的输出数据D1；
将输出数据D1作为输入数据传入第一判别器卷积模块得到图像大小为64×64×128的输出数据D2；
将输出数据D2作为输入数据传入第二判别器卷积模块得到图像大小为32×32×256的输出数据D3；
将输出数据D3作为输入数据传入第三判别器卷积模块得到图像大小为31×31×512的输出数据D4；
将输出数据D4作为输入数据传入输出卷积模块得到图像大小为30×30×1的输出数据D5。
9.根据权利要求1所述的一种基于紫外图像的绝缘子电晕放电数据增强方法，其特征在于，所述生成对抗损失子函数的表达式为：
，
，
式中，为在x种类的图像集合中取的样本，/>为在y种类的图像集合中取的样本，/>为图像y是否是y种类的图像集合中取的样本概率，/>为图像x是否是x种类的图像集合中取的样本概率，/>为判别器/>判断双通道生成器/>的输出图像Y1为x类型图像的概率，/>为图像x传入双通道生成器/>生成得到的y类型图像，/>为判别器/>判断双通道生成器/>的输出图像Y2为y类型图像的概率，为图像y传入双通道生成器/>生成得到的x类型图像，/>为判别器/>判断双通道生成器/>的输出图像Y2为x类型图像的概率；
所述循环一致性损失子函数的表达式为：
，
式中，为将图像x输入/>生成伪造的y类型图像，将伪造的y图像输入得到伪造图像x，/>表示j取1时，图像x传入双通道生成器/>生成得到输出图像Y1，并舍弃输出图像Y2，j取2时，图像x传入双通道生成器/>生成得到输出图像Y2，并舍弃输出图像Y1，/>表示i取1时，仅获取双通道生成器/>的输出图像Y1，并舍弃输出图像Y2，i取2时，仅获取双通道生成器/>的输出图像Y2，并舍弃输出图像Y1，/>为将图像y输入/>生成伪造的x类型图像，将伪造的x图像输入/>得到伪造图像y。
10.一种基于紫外图像的绝缘子电晕放电数据增强***，其特征在于，包括：
标注模块，配置为获取绝缘子电晕放电的紫外图像，根据labelme工具对所述紫外图像中的绝缘子及放电区域采用多边形框进行标注，得到标注后的目标紫外图像；
输出模块，配置为将所述目标紫外图像输入至预先构建的生成对抗网络模型中，所述对抗网络模型输出与所述目标紫外图像对应的虚拟紫外图像，其中，所述生成对抗网络模型包括双通道生成器以及判别器，所述双通道生成器包括编码结构、解码结构以及辅助解码结构，且所述生成对抗网络模型的生成对抗网络损失函数的表达式为：
，
式中，为生成对抗网络损失函数，/>为在双通道生成器中由图像x生成的图像y，/>为在双通道生成器中由图像y生成的图像x，/>为x类型图像的概率，/>为y类型图像的概率，/>为判别器/>的生成对抗损失子函数， />为x种类的图像集合，/>为y种类的图像集合，/>为判别器/>的生成对抗损失子函数，/>为对输入图像进行判别，得到输入图像为y种类的概率，/>为对输入图像进行判别，得到输入图像为x种类的概率，/>为循环一致性损失子函数，/>为强学习权值，/>，/>为强学习区域损失子函数；
其中，所述强学习区域损失子函数的表达式为：
，
，
，
式中，为二维平面Ω上的像素位置，/>为经过计算加权后的图像特征数据，/>为对/>做softmax函数计算，/>为in在真实特征标签所在通道上的输出概率，/>为卷积-S模块输出数据对应第k通道的值，/>为卷积-S模块输出数据对应第/>通道的值，/>为强学习特征类别总数加上背景数， />为强学习特征类别权重，/>为像素点的权值，/>为特征像素点到其它特征或背景最近的边界距离，/>为特征像素到第二近的其它特征或背景边界距离，/>为距离权重缩放系数，Log为对数函数，e为自然对数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410424172.5A CN118036701B (zh) | 2024-04-10 | 2024-04-10 | 一种基于紫外图像的绝缘子电晕放电数据增强方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410424172.5A CN118036701B (zh) | 2024-04-10 | 2024-04-10 | 一种基于紫外图像的绝缘子电晕放电数据增强方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118036701A true CN118036701A (zh) | 2024-05-14 |
| CN118036701B CN118036701B (zh) | 2024-07-05 |
Family
ID=91000768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410424172.5A Active CN118036701B (zh) | 2024-04-10 | 2024-04-10 | 一种基于紫外图像的绝缘子电晕放电数据增强方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118036701B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113674191A (zh) * | 2021-08-23 | 2021-11-19 | 中国人民解放军国防科技大学 | 一种基于条件对抗网络的弱光图像增强方法和装置 |
| CN113962893A (zh) * | 2021-10-27 | 2022-01-21 | 山西大学 | 基于多尺度局部自注意力生成对抗网络的人脸图像修复方法 |
| US20220067519A1 (en) * | 2020-08-28 | 2022-03-03 | Affectiva, Inc. | Neural network synthesis architecture using encoder-decoder models |
| KR20230026216A (ko) * | 2021-08-17 | 2023-02-24 | 한국과학기술원 | 적대적 공격에 대한 견고성 달성을 위한 순환 일관성과 적응형 학습을 이용한 노이즈 제거 방법 및 장치 |
| KR20230165022A (ko) * | 2022-05-26 | 2023-12-05 | 연세대학교 원주산학협력단 | 사이클 gan 기반 영상 화질 개선 학습 시스템 및 방법 |
| CN117409192A (zh) * | 2023-12-14 | 2024-01-16 | 武汉大学 | 一种基于数据增强的红外小目标检测方法及装置 |
| CN117593238A (zh) * | 2023-10-31 | 2024-02-23 | 长江大学 | 基于改进生成式对抗网络的低照度图像增强方法及*** |
-
2024
- 2024-04-10 CN CN202410424172.5A patent/CN118036701B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220067519A1 (en) * | 2020-08-28 | 2022-03-03 | Affectiva, Inc. | Neural network synthesis architecture using encoder-decoder models |
| KR20230026216A (ko) * | 2021-08-17 | 2023-02-24 | 한국과학기술원 | 적대적 공격에 대한 견고성 달성을 위한 순환 일관성과 적응형 학습을 이용한 노이즈 제거 방법 및 장치 |
| CN113674191A (zh) * | 2021-08-23 | 2021-11-19 | 中国人民解放军国防科技大学 | 一种基于条件对抗网络的弱光图像增强方法和装置 |
| CN113962893A (zh) * | 2021-10-27 | 2022-01-21 | 山西大学 | 基于多尺度局部自注意力生成对抗网络的人脸图像修复方法 |
| KR20230165022A (ko) * | 2022-05-26 | 2023-12-05 | 연세대학교 원주산학협력단 | 사이클 gan 기반 영상 화질 개선 학습 시스템 및 방법 |
| CN117593238A (zh) * | 2023-10-31 | 2024-02-23 | 长江大学 | 基于改进生成式对抗网络的低照度图像增强方法及*** |
| CN117409192A (zh) * | 2023-12-14 | 2024-01-16 | 武汉大学 | 一种基于数据增强的红外小目标检测方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| LI RU等: "SDP-GAN: Saliency Detail Preservation Generative Adversarial Networks for High Perceptual Quality Style Transfer", IEEE, 29 December 2020 (2020-12-29), pages 374 - 385 * |
| 史再峰;李金卓;曹清洁;李慧龙;胡起星;: "基于生成对抗网络的低剂量能谱层析成像去噪算法", 吉林大学学报(工学版), no. 05, 15 September 2020 (2020-09-15) * |
| 王先先;李菲菲;陈虬;: "一种基于改进条件生成式对抗网络的人脸表情生成方法", 小型微型计算机***, no. 09, 4 September 2020 (2020-09-04) * |
| 赵文仓;袁立镇;徐长凯;: "基于鉴别模型和对抗损失的无监督域自适应方法", 高技术通讯, no. 07, 15 July 2020 (2020-07-15) * |
| 陈佛计;朱枫;吴清潇;郝颖明;王恩德;: "基于生成对抗网络的红外图像数据增强", 计算机应用, no. 07, 31 December 2020 (2020-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118036701B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lei et al. | Coupled adversarial training for remote sensing image super-resolution | |
| Zhang et al. | A robust deformed convolutional neural network (CNN) for image denoising | |
| CN111798400B (zh) | 基于生成对抗网络的无参考低光照图像增强方法及*** | |
| Liu et al. | Learning converged propagations with deep prior ensemble for image enhancement | |
| CN107609587B (zh) | 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法 | |
| US20220261968A1 (en) | Image optimization method and apparatus, computer storage medium, and electronic device | |
| WO2020098422A1 (zh) | 编码图案的处理方法和装置、存储介质、电子装置 | |
| CN114511576B (zh) | 尺度自适应特征增强深度神经网络的图像分割方法与*** | |
| CN113569881A (zh) | 一种基于链式残差与注意力机制的自适应语义分割方法 | |
| JP2023001926A (ja) | 画像融合方法及び装置、画像融合モデルのトレーニング方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| Bi et al. | High‐Capacity Image Steganography Algorithm Based on Image Style Transfer | |
| Jiang et al. | DeeperForensics Challenge 2020 on real-world face forgery detection: Methods and results | |
| CN118036701B (zh) | 一种基于紫外图像的绝缘子电晕放电数据增强方法及*** | |
| CN116958736A (zh) | 一种基于跨模态边缘引导的rgb-d显著性目标检测方法 | |
| CN116051407A (zh) | 一种图像修复方法 | |
| Athar et al. | Deep neural networks for blind image quality assessment: addressing the data challenge | |
| Chen et al. | Iterative token evaluation and refinement for real-world super-resolution | |
| CN115512100A (zh) | 基于多尺度特征提取与融合的点云分割方法、装置及介质 | |
| CN111275603B (zh) | 一种基于风格转换的安全图像隐写方法与电子装置 | |
| CN114022357A (zh) | 图像重建方法、图像重建模型的训练方法、装置和设备 | |
| CN116264606A (zh) | 用于处理视频的方法、设备和计算机程序产品 | |
| Xu et al. | Drhnet: a deep residual network based on heterogeneous kernel for steganalysis | |
| Luo et al. | Content-adaptive adversarial embedding for image steganography using deep reinforcement learning | |
| Yao et al. | Multiview-Robust 3D Adversarial Examples of Real-world Objects | |
| Chen et al. | DefogNet: A Single‐Image Dehazing Algorithm with Cyclic Structure and Cross‐Layer Connections |
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 |