IA-pix2seq:一个实现简笔画可控生成的深度双向学习方法

构建一个高斯混合模型(GMM)分布的编码空间是一种可辅助实现简笔画可控生成的编码方法.每种特定风格和类别的简笔画经过编码,被集中投影到GMM中的一个高斯区域中.通过选取不同高斯中的编码,可以可控地生成具有指定特征的简笔画.然而,现有方法在处理形态相似的简笔画时,所构建的GMM空间中,高斯区域间存在较大重叠.这降低了简笔画生成符合预期特征的准确率,即可控生成性能较差.本文以贝叶斯阴阳和谐学习算法为指导提出了IA-pix2seq深度双向学习模型.模型的双向互逆映射在和谐学习原理指导下,以最默契的方式达到最大共识,将同一高斯成分区域内的编码集中到相应的高斯中心,同时进一步约束了各简笔画在编码空间中的投影范围,从而扩大高斯成分间的边界并降低彼此间的重叠率.实验表明IA-pix2seq能有效降低不同类别简笔画因相似造成的编码重叠,以提高简笔画的可控生成性能.给定插值编码、将含像素缺失的简笔画作为约束,模型生成的简笔画仍能保留更多的预期特征.     

基于Lmser-in-Lmser双向网络的人脸素描图像生成方法

人脸素描图像生成问题目的是将人脸照片转换为对应的素描图像,已有方法生成的素描图像或缺乏素描纹理,或需要在额外的大规模数据集上进行预训练.针对上述问题,文中基于Lmser(Least Mean Square Error Reconstruction)构建内外嵌套的深度双向网络,即Lmser-in-Lmser双向网络,用于人脸素描图像的生成.利用Lmser的神经元对偶特性,即编码神经元和解码神经元之间形成双向短路连接,在内部Lmser子网络的编码器和解码器之间通过前向传递不同网络层进行学习,得到多层级特征,增强素描生成的纹理细节.同时建立具有同样结构的网络,反向建立素描映射到照片的模型.外部通过在2个Lmser子网络上施加一致性约束,实现反馈链接,改善素描特征.在基准数据集上的实验表明,文中方法性能较优,并且不需要在额外的数据集上进行预训练,可应用性较强.     

基于多尺度特征提取的高光谱星载分类算法

针对当前高光谱分类算法难以同时满足星载分类高精度、低能耗需求的问题，提出一种基于多尺度空间特征提取的高光谱星载分类算法，在保持较高分类精度的同时大幅度降低算法的计算开销。利用局部最大值滤波提取高光谱图像的纹理特征，将多尺度滤波结果根据遥感图像空间关联性进行组合得到局部-全局联合空间特征，融合空间特征和光谱特征后采用随机森林进行分类。该算法仅包含整数比较和加法运算，未采用高光谱主流分类算法中的乘法和求幂等高开销运算。在Indian Pines、Pavia University和HyRANK影像数据集上的实验结果表明，该算法与最高水平分类算法相比分类精度损失保持在2.4%以内，在跨场景分类中同样获得了较高的分类精度，与星载分类算法相比分类过程能耗降低到1/10000以下。该算法与现有算法相比更适用于星载分类任务，能够在保持较高分类精度的同时有效降低星载分类过程中的计算开销和能耗。