结合感知注意力机制的生成式对抗网络图像修复

针对现有经典图像修复算法修复结果存在的语义信息不合理、修复边界处易产生伪影等问题,本文结合注意力机制对其进行改进。第一层生成模型对图像进行编码解码操作,完成粗略修复;第二层生成模型结合感知注意力,完成具有更合理语义信息的精细修复;采用局部鉴别器和全局鉴别器对修复内容进行反馈优化。与其他两种主流修复算法基于CelebA数据集进行对比,PSNR值最大程度提升了1.34 dB,SSIM值最大程度提升了0.007。实验结果表明,用结合注意力机制算法修复后图像的语义结构以及纹理的完整性与原图更加接近。     

基于类激活映射-注意力机制的图像描述方法

基于软注意力机制的图像描述算法,提出类激活映射-注意力机制的图像描述方法。利用类激活映射算法得到卷积特征包含定位以及更丰富的语义信息,使得卷积特征与图像描述具有更好的对应关系,解决卷积特征与图像描述的对齐问题,生成的自然语言描述能够尽可能完整的描述图像内容。选择双层长短时记忆网络改进注意力机制结构,使得新的注意力机制适合当前全局和局部信息的特征表示,能够选取合适的特征表示生成图像描述。试验结果表明,改进模型在诸多评价指标上优于软注意力机制等模型,其中在MSCOCO数据集上Bleu-4的评价指标相较于软注意力模型提高了16.8%。类激活映射机制可以解决图像空间信息与描述语义对齐的问题,使得生成的自然语言减少丢失关键信息,提高图像描述的准确性。     

基于多尺度特征的图像描述生成模型

针对现有基于深度学习图像描述生成模型,在图像特征编码阶段,由于编码器提取的图像特征较为单一,图像信息利用不充分,造成文字对图片内容描述得不够准确、语义较模糊的问题,在VGG19基础上,改进现有模型对图像特征的编码形式,通过提取和融合图像多尺度特征的方法,获取更丰富的图像信息。在MSCOCO数据集上进行训练和测试,实验结果表明,提出的模型能够生成更加准确、完整,更有意义的图像描述语句。     

全卷积神经结构的段落式图像描述算法

针对段落式图像描述生成研究中提升描述语句之间的连贯性问题,提出了一种基于全卷积结构的图像段落描述算法.采用基于卷积网络的区域检测器获取图像表示,结合段落在语言学角度的层次性,构建一种层次性的深度卷积解码器对图像表示解码,自动生成段落式文本描述.同时将门控机制嵌入卷积解码器网络中,以提升模型的记忆能力.实验结果表明,相比于基于循环神经网络等传统段落图像的描述方法,新算法能够为图像生成更为连贯的段落式文本描述,在评测指标上取得较好的结果.     

基于区域模糊本体的公路景观图像区域语义标注方法

研究面向公路景观图像语义标注的方法,提出一种利用模糊本体描述及推理的区域图像语义标注方法。首先建立图像语义区域标注描述模型,对具有相似特征的区域语义实现图像语义标注,算法重点研究模型中与图像语义标注描述相关的图像区域对象标注描述模型、语义对象空间关系描述、对象语义关系描述、抽象层次结构等关键技术,通过对区域对象语义推理得出全局图像语义标注。实验结果表明,该方法具有较好的语义标注性能。     

统计机器翻译中大规模特征的深度融合

对循环神经网络和递归神经网络进行改进,提出深度融合的神经网络(DNN)模型,在训练过程中加入大规模特征.该模型有很强的泛化能力,适合于现在主流的自底向上解码样式,融合了2种经典的机器翻译模型:基于短语的层次化文法(HPG)和括号转录文法(BTG).使用改进的循环神经网络,生成适合短语生成过程的短语/规则对语义向量,并在生成过程中使用了自编码器以提高循环神经网络的性能.使用改进的递归神经网络,使它在翻译过程中指导解码,考虑到另一个解码器在解码过程中的信息,互相影响共同提高翻译性能.提出的深度融合模型不仅适合于异类翻译系统,也适合于异类语料.相对于经典的基线系统,在异类系统上该模型的实验结果获得1.0~1.9倍的BLEU分数提高,在异类语料上该模型的实验结果获得1.05~1.58的BLEU分数提高,且进行了统计显著性检验.     

基于MapX数字高程模型的实现

为了建立保持一定精度的数字高程模型，在分析了现有利用等高线生成数字高程模型的插值算法的基础上，提出了一种基于MapX软件的改进的补点插值算法，并进行了计算机仿真．仿真结果表明该方法较之其他方法更快速、有效，能对地形的高度特征进行较好的描述．     

基于全局?局部特征和自适应注意力机制的图像语义描述算法

为了探究图像底层视觉特征与高层语义概念存在的差异,提出可以确定图像关注重点、挖掘更高层语义信息以及完善描述句子的细节信息的图像语义描述算法. 在图像视觉特征提取时提取输入图像的全局-局部特征作为视觉信息输入,确定不同时刻对图像的关注点,对图像细节的描述更加完善;在解码时加入注意力机制对图像特征加权输入,可以自适应选择当前时刻输出的文本单词对视觉信息与语义信息的依赖权重,有效地提高对图像语义描述的性能. 实验结果表明,该方法相对于其他语义描述算法效果更有竞争力,可以更准确、更细致地识别图片中的物体,对输入图像进行更全面地描述;对于微小的物体的识别准确率更高.     

基于 global-local feature和 adaptive-attention的图像语义描述算法

为了探究图像底层视觉特征与高层语义概念存在的差异,提出可以确定图像关注重点、挖掘更高层语义信息以及完善描述句子的细节信息的图像语义描述算法.在图像视觉特征提取时提取输入图像的全局-局部特征作为视觉信息输入,确定不同时刻对图像的关注点,对图像细节的描述更加完善;在解码时加入注意力机制对图像特征加权输入,可以自适应选择当前时刻输出的文本单词对视觉信息与语义信息的依赖权重,有效地提高对图像语义描述的性能.实验结果表明,该方法相对于其他语义描述算法效果更有竞争力,可以更准确、更细致地识别图片中的物体,对输入图像进行更全面地描述;对于微小的物体的识别准确率更高.     

基于 global-local feature和 adaptive-attention的图像语义描述算法

为了探究图像底层视觉特征与高层语义概念存在的差异,提出可以确定图像关注重点、挖掘更高层语义信息以及完善描述句子的细节信息的图像语义描述算法.在图像视觉特征提取时提取输入图像的全局-局部特征作为视觉信息输入,确定不同时刻对图像的关注点,对图像细节的描述更加完善;在解码时加入注意力机制对图像特征加权输入,可以自适应选择当前时刻输出的文本单词对视觉信息与语义信息的依赖权重,有效地提高对图像语义描述的性能.实验结果表明,该方法相对于其他语义描述算法效果更有竞争力,可以更准确、更细致地识别图片中的物体,对输入图像进行更全面地描述;对于微小的物体的识别准确率更高.     

语义环境下个性化推荐系统建模

为解决现有个性化推荐系统中缺乏对语义信息处理能力的问题,建立了语义推荐系统模型,使用描述逻辑实现了该模型,并给出了推荐算法。在实现模型的过程中引入了两条规则实现了概念层次关系在兴趣程度和关联程度上的传递。实验证明,通过将用户的兴趣和待选资源的相关概念在语义层面进行适当扩展,语义推荐系统模型能产生更多符合用户兴趣的推荐项目。     

上下文信息多样聚合的图像修复算法

为解决现有算法修复大面积、不规则语义缺失图像时存在结构扭曲和纹理模糊的缺陷，提出了一种基于上下文信息的多样聚合图像修复算法。首先，用编码器提取待修复图像的信息，估计缺失内容，经纹理信息生成模块融合来自各种感受野的上下文信息，增强缺失区域的结构与纹理信息；然后，经解码器恢复原始图像特征；最后，使用掩码匹配鉴别器对生成图像进行鉴别训练，结合对抗损失、重建损失、感知损失和风格损失共同优化模型，促进生成器合成清晰的纹理。在公开数据集上，对所提算法进行训练和测试，实验结果表明，修复随机不规则大面积语义缺失图像时，所提算法可得到比对比算法更清晰合理的结构和纹理细节，其峰值信噪比和结构相似度等客观指标均优于对比算法。     

基于QoS动态规则库的服务选择方法

传统基于XML的Qo S描述方法缺乏语义,给服务的优选带来了困难,本体的出现使得Qo S信息有了新的具有语义的描述方式,但是目前的Qo S本体模型的服务优选方法大多建立在本体匹配等算法上.在总结目前出现的典型的Qo S本体模型以及相关的服务优选方法基础上,提出一种基于动态生成的规则库的推理方法实现服务的优化选择.     

车身外流场的半结构网格生成技术

车身外流场的网格生成是进行数值模拟的一个关键技术及前提.描述了三棱柱半结构网格的生成过程,提出了改进阵面层算法,使三棱柱半结构网格生成更方便、快捷.     

一种基于MRF样本修补的改进算法

针对Cheng提出的样本修补算法,引入结构的几何量描述,重新定义优先级公式,以提高结构平稳性;改进置信度项更新法则,以便抑制修补过程产生的误差累积。实验结果表明,改进算法能够有效避免传统算法生成的垃圾物,较好保持纹理和结构特征。     

基于归因注意力的图像生成模型研究

为了解决生成与描述文本潜在语义信息配对的逼真图像这一问题,对传统的生成式模型AttnGAN中的注意力机制做出改进,即将AttnGAN模型生成器中的注意力机制进行归因,以归因注意力得分矩阵替代注意力得分矩阵在AttnGAN模型中作用,并用消融实验展示该文的DAMSM模块对于整个生成式网络的性能所产生的影响。将改进后的模型称为AttrGAN并与其他经典的生成式模型进行实验对比,从CUB鸟类数据集和Oxford-102flowers数据集的实验结果来看,改进后的AttrGAN模型生成图像的性能是优于其他经典的生成式模型的。     

基于图像描述的文本信息隐藏

针对文本信息隐藏嵌入容量低和语义连贯性差的问题,提出了一种基于神经网络图像描述的文本信息隐藏模型.将卷积神经网络与长短期记忆网络相结合,把图像特征和生成语句进行关联.从收发双方能否共享图像及模型参数的不同应用前提出发,设计了多种概率采样方式,从而生成载密的图像描述文本.实验结果表明,该算法具有较高的隐藏容量,载密描述句能较好地表达图像内容.该模型归属于"无载体"自然语言生成式信息隐藏,具有较好的隐蔽性和安全性.     

基于伪属性语义匹配的Deep web信息抽取

已有的Deep Web信息抽取算法主要对结构规范的网页进行模版的提取,目前多数Deep Web网页在结构上是非规范的,网页中记录属性字段可能缺失或重复、原子属性字段可能被html标签分隔。为了正确抽取这些非规范网页,提出了一种新方法：引入了记录的伪属性及其语义匹配概念,通过实现记录间伪属性序列的语义匹配实现信息抽取;提出了伪属性序列的模型及其语义匹配算法和记录Wrapper模型及其生成算法。实验表明,在结构不规范deep web网页的抽取上,能达到91%的查全率和93%的查准率,相对其它算法有一定优势。     

基于本体的图像语义检索模型

在分析目前基于语义的图像检索的局限性后,提出了运用本体论原理,结合MPEG-7的特征描述所构建的图像语义资源描述树来构建图像领域本体模型的方法.利用OWL强大的语义描述能力及自扩展机制来描述这个模型的组织结构,从而能够在模型的基础上建立有效的语义推理引擎,同时利用开发工具protégé实现了这个基于本体的图像语义检索模型,为今后模型在语义网络上的具体应用打下了良好的基础.     

结合大气散射模型的生成对抗网络去雾算法

为了提高图像去雾的性能, 提出结合大气散射模型生成对抗网络的去雾算法. 算法在pix2pix GAN基础上进行改进, 将网络的生成器改进成双解码器结构,通过双解码器分别生成无雾图像和透射率图, 并结合大气散射模型还原雾图像,以进一步提高图像分解的质量. 在马尔科夫判别器结构中,采用反向学习机制代替随机裁剪机制,以有效降低因采用随机裁剪算法而导致的判断结果不准确的概率. 在原有的损失函数上,加入雾霾损失函数,提高图像转化的质量. 在STOS和NYU数据集上进行消融实验和对比实验. 大量实验表明所提出方法在PSNR和SSIM指标上比原算法Pix2pix GAN有所提高, 且均优于现有去雾算法,复原图像具有清晰度高、噪声低、纹理丰富的优点.