저자 및 편집자 | 세 단어가 있습니다
1 GAN 및 물체 검출
표적 탐지가 컴퓨터 비전 실무자의 분야에서 가장 큰 것으로 추정된다, 작은 목표를 그 (것)들의 사이에서 큰 태도는 우리가 정리하기 시작했다대로 정말 대단한 GAN하는 모든 고전 퍼즐입니다.
GAN와 작은 얼굴 찾기
GAN 초소형 얼굴을 찾는 것은 수퍼 - 해상도 (초해 네트워크)를 사용하여 워크 흐림 검출 네트워크를 향상시킬 수있는 작은 얼굴의 테스트 세트 넓은면 (하드 서브셋)의 결과를 개선하기 어려울 수있다.
얼굴 인식은 큰 진전을 만들었지 만, 여전히 작은 얼굴 인식 10 × 10 크기 이하에 어려움을 직면하고있다. 제약 환경에서 저해상도 얼굴이 작은 수 있으며, 텍스처 디테일의 부족이 모호한, 그런 사람들에 의해 얼굴과 함께, 얼굴 인식은 도전이다. 이미지를 직접 샘플링되는 경우, 계산의 양을 증가시킬 것이다.
네트워크에 대해 (질화 갈륨)을 이용하여 생성 된 저해상도 얼굴 흐림에서 GAN 고해상도 생성 인간 얼굴 작은 얼굴을 찾아, 그 얼굴 검출은도 전체 프레임 워크, 그것은 알 수 얼굴을 검출하는 얼굴 차트도 진위 판별 얼굴 검출 알고리즘의 안정성을 결정하는, 비 - 인간의 얼굴이 될 수있다.
초 - 해상도의 향상 및 네트워크 망 : 도면은 두 개의 서브 네트워크를 포함하는 발전기이다. 초해 네트워크 (있는 SRN)는 슈퍼 2, 4 배의 샘플링은 샘플링을 향상시킬 수있는 이미지 품질을 포함한다. 향상된 네트워크 (정제 네트워크)로 분류되어 선명한 고화질 화상을 생성하는, 상기 샘플링 된 화상 결실에 상세 일부를 복구 할 수있다.
G1 및 G2는 샘플링 네트워크이며, 네트워크의 성능을 향상 상기 제조자, 손실의 재건 대상 최적화하십시오.
바이 큐빅 보간을 사용하여 생성, 고해상도 이미지 훈련 샘플링에 의해 생성 된 저해상도 이미지.
위와 같이, 출력 진정한 슈퍼 서브 화상 및 사진 식별 및 얼굴 이외의면을 포함하는 두 개의 완전히 연결 층은 결정으로 Vgg19 판별은 모델이다.
손실에 대한 기준에 더하여, 판정은 인간의 얼굴이 아닌 얼굴의 분류 손실을 포함한다.
다음 그림은 넓은 얼굴 검출 결과에 작은 얼굴과 현재 프레임의 가장 성능 비교를 나타낸다.
프레임 워크의 슈퍼 해상도 모듈의 통합으로 인해 관심의 가치 세대의 뛰어난 성능에 작은 표적 탐지를 네트워크에 생성 된 좋은 아이디어를 해결하는 것입니다.
참조
[1] 바이 Y, Y 장 딩 M, 등. 생식 적대적 네트워크와 야생에서 작은 얼굴을 찾기 [C] 컴퓨터 비전 및 패턴 인식에 IEEE 회의 // 절차. 2018 : 21-30.
2 GAN 이미지 세그멘테이션
이미지 분할은 공간을 많이, 우리는 정리가 시작했다는 것이다 분할의 결과는 마스크와 같이, 우리는 GAN 데이터 분포를 잡기 위해보다 정교한 결과의 성격, 좋은을 추구하는 경향이 고전적인 문제이다.
세미 감독 시맨틱 분할에 대한 GAN
세미 감독 시맨틱 분할에 대한 프리젠 테이션 GAN은 의미 론적 분할에 대한 네트워크의 정확성을 개선하기 위해 아이디어를 생성하는 데 사용하고, 대한 의미 론적 분할 아이디어를 준 감독한다.
우리는 의미 분할의 결과가 종종 자체가 생성하는 좋은 능력이 네트워크에 생성 된보다 현실적인 프로파일을 얻기 위해 개선하기위한 CRF 및 기타 사후 처리 기술의 사용을 필요로 알고, 결과를 개선하기 위해 노력하는 데 사용할 수 있습니다.
기본 구조가 도면이다 쇼, 그것은 또한 네트워크 식별을 포함하는, 기본 네트워크 분할 이외에 알 수있다. 입력 라벨과 실제 분할 출력의 결과 전체 회선 네트워크, 확률 맵 네트워크이다 결정하고, 각각의 화소 값이 실제 태그 예측 결과로부터 도출되는 것을 나타낸다.
다음과 같이 최적화 객관적인 판단은 다음과 같습니다
S ()는 네트워크, D 분할이다 (.) YN = 1에서, 네트워크 판별되면 실제 태그로부터 화소.
이들은 반 감독 시간이 어떻게 그것을 할 때 다음 훈련 방법을 사용하여 학습 감독을? 단지 결과와 확률 그래프 분할 판별을 얻을 수있는이 모델에서, 판별 자신의 교회는 다음과 같은 목적을 최적화하기 위해, 좋고 나쁜 자체 기준이 필요합니다 :
상기 화학식에서, Tsemi 변수 치화 확률 맵 판별하여 출력하는 임계 값이며, S (내지 Xn)을 분할 결과이다 내지 Yn은, S (내지 Xn)의 예측 결과에 기초되도록 전체 수식 크로스 엔트로피 마스크 동등한 서브 밴드. 물론, 안정성 판별 확률 만 감독 교육 시간에 매핑합니다.
그림 쇼 확률지도는 밝은 가까이는 의미 실제 라벨의 유통이 실제로 반 감독 모델 기차에 사용되는이 지역.
교육에 대한 주석 데이터의 절반을 사용하고 모델의 결과를 벤치마킹하는 경우로 다음과 같습니다 :
전반적으로이 좋은 생각입니다, 저자는 또한 쉽게 오픈 소스, github.com / hfslyc / AdvSemiSeg의 이행을 확인합니다.
참조
[1] 기형 WC, 영 YH, 리우 YT, 등. 반 관리 대상 의미 론적 분할 [J]의 적대적 학습. arXiv 프리 프레스 arXiv : 1802.07934, 2018.
3 GAN 화상 소음 감소
화상 생성 및 송신 처리는 잡음에 의해 방해되어, 화상 노이즈가 매우 기본적인 문제이며, 노이즈의 분포의 모델 식 GAN 천연 이점 포착된다. 또한, 이미지 디 블러 링은, 향상, 슈퍼 해상도 등 수리, 통합의 모든 영역 우리는 많은 내용을 정리했다!
GAN-CNN 기반 블라인드 잡음 감량
실제 소음과 잡음이없는 데이터를 연결되어 있지, GCBD은 (GAN-CNN은 기반 블라인드 잡음 감량)이 방법은 실제 쌍에 대한 액세스 권한을 깊이 학습이 직면 한 주요 문제를 이미지 노이즈를 기반으로 이미지에 노이즈가 실제 소음에서 수집 된 GAN이다 사용 모델 훈련을위한 노이즈 그림.
전체 프레임 같이, 입력 잡음 이미지의 "비공유"화상의 노이즈 (잡음 이미지)과 무 잡음 (청소 이미지) 이미지가 다음 네트워크 노이즈 블록을 추출 (소음 차단 추출) 샘플 잡음 모델링은, 깨끗하고 노이즈가없는 화상 데이터가 함께 Dncnn 마지막 프레임 교육 연수의 쌍을 형성한다.
도면은 특정의 네트워크 구성에 대해 생성된다. X ~ 소음이 발생하는 x는 소음 진짜, 다음과 같이 발생하는 소음 수집됩니다.
함께 진정한 최종 소음을 소음이 사용됩니다 생성 그림 쇼에게 약간의 실험 결과를 다음 깨끗한 이미지 쌍, 그것은 좋은 결과를 볼 수 있습니다.
실제 소음을 얻고 노이즈가없는 이미지 노이즈 감소의 깊이를 학습의 핵심은 문제에 적용, 그것은 방법의 GAN 및 기타 자율 모델에 집중 가치입니다.
참조
[1] 첸 J, J 첸 차오 H, 등. 생식 적대적 네트워크와 잡음 제거 이미지 블라인드 소음 컴퓨터 비전 및 패턴 인식에 IEEE 회의의 [C] // 절차를 모델링 기준으로합니다. 2018 : 3155-3164.
더 GAN의 컨텐츠를 들어 4
GAN 거의 모든 웅대 한 계획은 시야의 모두, 어떻게 체계적으로 GAN을 배우는? 아래의 설명을 참조하십시오.
