摘要：针对异源遥感影像成像模式、时相、分辨率等不同导致的图像匹配困难问题,提出了一种基于循环生成对抗策略的遥感图像匹配算法。构建了跨数据域图像特征迁移的循环生成对抗网络(generative adversarial network,GAN),设计SmoothL损失函数对网络进行优化,提高遥感图像特征提取精度,并基于图像特征迁移结果,建立三元组距离排序损失函数(trioplet margin ranking loss,TMRL)降低遥感图像的误匹配点数,实现异源遥感图像的准确匹配。实验结果表明,本文方法将异源遥感图像匹配平均准确率提升了33.51%,与CMM-Net(cross modlity matching net)方法相比,具有更好的遥感图像匹配效果。此外,本文方法不需要目标域图像的标注信息,匹配时间缩短了0.073s,能快速准确实现异源遥感图像匹配。

摘要：针对现有的回环检测模型大多基于有监督学习进行训练,需要大量标注数据的问题,提出一种视觉回环检测新方法,利用生成对抗思想设计一个深度网络,以无监督学习的方式训练该网络并提取高区分度和低维度的二进制特征。将距离传播损失函数和二值化表示熵损失函数引入神经网络,将高维特征空间的海明距离关系传播到低维特征空间并增加低维特征表示的多样性,进而利用BoVW模型将提取的局部特征融合为全局特征用于回环检测。实验结果表明:相比SIFT和ORB等特征提取方法,所述方法在具有强烈视角变化和外观变化的复杂场景下具有更好的性能,可以与AlexNet和AMOSNet等有监督深度网络相媲美。但采用无监督学习,从根本上避免了费时费力的数据标注过程,特别适用于大规模开放场景的回环检测,同时二进制特征描述符极大地节约了存储空间和计算资源。

摘要：基于文本的描述编辑图像是图像生成领域的一个重要研究方向,目的是识别出文本中描述的语义关系,改变源图像中与其相关的部分,通过图像生成技术获得新的图像.使用现有的方法得到的人物图像在图像清晰度、人物个性特征一致性以及姿态结构保持等方面有待进一步改进.本文设计了一个编辑人物图像的方法,根据文本描述的语义,通过编辑图像中人物服装的颜色、款式等合成新的人物图像.该模型基于条件式生成对抗网络进行设计,以文本描述、初始人物图像以及高斯噪音作为输入,以多阶段的方式输出由低到高分辨率多输出的人物图像.实验表明,该模型生成的图像在纹理细节、姿态保持等方面优于现有的同类任务模型生成的图像.

摘要：目前,红外成像技术在医学、安保、环境监测、军事探测等方面获得了广泛应用。然而,由于低成本红外成像设备的固有缺陷及大气环境对热辐射传导的影响,导致其采集的图像亮度较暗、细节模糊、对比度低,影响后续图像语义分析及目标检测识别等任务。传统基于模型的红外图像增强方法常需利用图像先验信息,模型参数与场景相关,模型泛化能力不强;基于深度学习的红外图像增强算法有助于增强红外图像质量,但结构冗余,不利于边缘端部署。生成对抗网络(GAN)可以通过判别器和生成器两个网络的轮流对抗训练显著提升红外图像增强效果,但网络训练参数量大,边缘端部署占用资源多,运算复杂度高。本文设计了一种基于对抗生成的轻量化红外图像增强网络,通过在GAN模型的基础上增加多层次特征融合结构并设计多尺度损失函数,提升了特征提取效率并减少了网络层数,在提升图像质量的同时提高了增强效率,利于算法的边缘端部署。实验表明,本文方法在同等参数量下,通过添加多层次特征融合结构和多尺度损失函数,兼顾了图像的全局和局部特征,保证了细节信息不丢失,在提高网络性能的前提下未明显增加计算复杂度;在红外图像增强效果相当的情况下,模型参数量降低75.0%,边缘端设备推断时间降低32.07%。

摘要：针对无人机视频跟踪中正样本不足和单帧强判别特征易导致分类器过拟合的问题,提出一种基于多域对抗学习的实时无人机目标跟踪算法。将生成对抗网络引入到多域学习的特征生成中,利用对抗学习提高特征提取的鲁棒性;在卷积层中加入具有不同扩展系数的空洞卷积进行多尺度特征抽取,构建具有不同感受野的特征提取模块;在交叉熵损失函数中添加调制因子解决正负样本数量不平衡的问题。实验结果表明,该算法的跟踪精度、成功率均得到了提高。

摘要：提出一种多尺度编解码深度卷积神经网络结构,使用生成对抗的思想对模糊图像直接进行盲复原。首先,设计一种优化多尺度残差块应用在编解码器内部,在减少参数量的同时提高了网络非线性表达能力;其次,分别计算多尺度网络每层对应的L2损失,确保逐级去模糊后的图像更加接近真实图像;最后,在GoPro数据集和真实道路交通模糊图像上进行仿真,结果表明,所提方法能够得到清晰度更高的复原结果。

摘要：在实际应用场景中,面向说话人识别系统的黑盒对抗攻击手段十分脆弱、性能显著下降,当前黑盒攻击常用的基于代理攻击方法因代理模型的表征空间具有异构性,导致生成的对抗样本泛化能力不足,无法实用。本文针对异构空间泛化学习难、收敛慢的问题,设计一种将多个异构的说话人表征空间投影到一个说话人共轭表征空间,然后基于教师学生模型机制,在统一的共轭空间里研究对抗样本生成算法,从而提升黑盒对抗攻击样本的泛化能力。同时,基于VoxCeleb和CN-Celeb数据集验证了本文方法的有效性。

摘要：糖尿病视网膜病变(DR)是导致永久性失明的主要原因之一,尤其是在中老年人中。早期发现DR对于预防视力丧失至关重要。疾病严重程度分级可以看作是一个分类问题,只需要图像级的标注,而病变分割则需要更强的像素级标注。然而逐像素数据标注非常耗时,需要专家。本文提出了一种协同学习的方法来联结优化DR评级和病灶检测。首先利于小部分逐像素数据标注数据训练一个多病变标签语义分割模型,接着基于最初对大量图像级注释数据预测的病变图,设计了一个疾病注意力评级模型。同时,疾病注意力模型可以利用特定类的信息对病灶图进行细化,以半监督的方式对分割模型进行微调。生成对抗性架构也被应用在训练过程中。接着在三个公共数据集上对本文的方法进行验证,并与一些先进的模型进行对比,取得较好的性能。