6个研究背景和意义示例,教你写计算机CycleGAN论文

今天分享的是关于CycleGAN的6篇计算机毕业论文范文, 如果你的论文涉及到CycleGAN等主题,本文能够帮助到你

基于生成对抗网络的图像风格迁移方法研究

这是一篇关于深度学习,生成对抗网络,图像风格迁移,CycleGAN的论文, 主要内容为图像风格迁移是一种属于计算机视觉的研究方向,在很多领域都有着广泛的应用,例如数字艺术、缺陷检测、人脸识别、医疗诊断等。然而,传统的图像风格迁移方法存在许多问题:训练需求大量配对图像、生成图像质量较低、生成图像所需时间过长等。生成对抗网络是近年来深度学习领域的一项热门技术,因其采取的对抗学习方式,在图像风格迁移领域得到了广泛应用。CycleGAN模型是一种基于生成对抗网络的图像风格迁移模型,其能够在无配对图像的条件下通过学习两种不同风格图像领域之间的映射关系实现图像间的风格迁移,是一种可跨域的图像风格迁移模型。但是该模型仍存在一些函待解决的问题。对CycleGAN模型进行改进可以提高其在进行图像风格迁移任务时的效果和稳定性,从而使其在实际应用中更加可靠和实用。因此本文将CycleGAN模型作为研究重点,旨在通过分析和理解CycleGAN模型,并对其进行改进。(1)CycleGAN模型所采用的ResNet结构的生成器网络在生成图像时容易发生背景颜色失真问题,并且对复杂纹理的生成效果较差。针对这些问题,本文提出一种结合Convnext卷积结构和U-Net结构的新型生成器网络。在这种新型的生成器网络中,Convnext卷积结构代替了传统U-Net结构中特征提取部分的卷积结构。U-Net结构能够解决原始生成器网络因底层信息丢失所导致的背景颜色失真问题,Convnext卷积结构拥有更强的特征提取能力,能够更好的对复杂纹理特征进行提取,将两者结合相结合后的生成器网络有能够有效解决采用Res Net结构的生成器网络的局限性。(2)针对原始CycleGAN模型所采用的判别器网络中感受域机制的局限性,提出一种引入CBAM注意力机制的新型判别器网络。引入CBAM注意力机制可以使判别器网络对不同的区域赋予不同的关注度,帮助整个模型更好的学习图像特征。并在引入CBAM注意力机制的CycleGAN模型上进行了人脸图像口罩佩戴任务,证明采用该新型判别器网络的CycleGAN模型拥有着更好的图像风格迁移能力。(3)在多个常见数据集上进行实验对比,与原始CycleGAN模型相比,本文所提出的拥有新型生成器网络和新型判别器网络的改进CycleGAN模型所生成的迁移后图像在Frechet Inception距离(FID)结构相似度(SSIM)上都有着更好的表现。并在最后基于本文提出的改进CycleGAN模型,将白天路况图转换为对应的夜间路况图,扩展本文所提出的改进CycleGAN模型的应用层面。

基于深度学习的人脸表情识别模型设计与实现

这是一篇关于人脸表情识别,胶囊网络,卷积神经网络,CycleGAN,通道剪枝的论文, 主要内容为在人与人的交流中,面部表情传递的信息占很大比例,人脸表情识别作为人工智能的重要技术之一,在众多领域中都发挥着重要的作用,比如在医学领域辅助医护人员治疗抑郁症,在安全驾驶领域对司机师傅进行安全预警等。本文通过研究深度学习方法设计人脸表情识别模型,旨在完成精准高效的人脸表情识别任务。本文的主要研究内容如下:(1)针对CNN池化层丢失特征以及胶囊网络自身卷积层特征提取不足的问题,提出一种用Res Net18改进胶囊网络的人脸表情识别模型。该模型仅保留Res Net18的卷积层,并对四个残差块进行不同程度的改进,然后融入注意力机制,用其替换胶囊网络的单卷积层来提取表情特征,最后将提取的特征送入胶囊网络,由初始胶囊层学习特征,数字胶囊层进行分类。本文所设计的模型在CK+、RAFdb和FER+三个数据集上进行了实验。实验结果表明,该模型在人脸表情识别方面具有可行性和有效性。(2)针对人脸表情数据集中各类表情数据量不平衡导致的识别精度差距大的问题,提出采用CycleGAN进行数据增强来对数据集各类表情进行平衡化处理,并在CK+和RAF-db数据集上进行实验。鉴于两个数据集中均是开心表情的样本最多,因此将开心表情作为源域数据,其它六类表情数据分别作为目标域数据得到了六个模型,然后生成各类表情。最后,将数据平衡化后的RAF-db数据集在所提出的网络上进行实验。实验结果表明,数据平衡化可以有效缓解各类表情识别精度差距大的问题。(3)针对前述设计的表情识别模型参数量多的问题,采用一种传统的通道剪枝方法压缩模型。该方法是对训练好的模型进行剪枝,首先用L2范数对所有的通道进行打分,然后设置剪枝比重,通过各个通道的得分情况分多次进行剪枝,并且每次剪枝后都会重新训练模型,最后再对剪枝模型进行微调得到最终的模型。实验结果表明,该方法可以以较小精度损失为代价有效减小模型尺寸。(4)针对前述设计的表情识别模型单次迭代训练速度慢的问题,提出一种基于注意力机制的初始化通道剪枝方法。该方法是基于SENet通道注意力机制模块进行剪枝,在训练过程中,通道注意力机制可以根据各个通道的重要性来赋予各通道不同的权重,因此可以根据权重的大小配合剪枝模块对通道进行有效的删减。实验结果表明,该方法可以大幅度缩短模型训练时间。

基于深度学习的直肠肿瘤磁共振图像分割系统设计与实现

这是一篇关于医学图像分割,数据增强,CycleGAN,UNet,注意力机制,分割系统的论文, 主要内容为直肠肿瘤病灶区域的精确分割可以为肿瘤的临床治疗和预后监测提供重要依据。然而目前直肠肿瘤分割任务中存在着诸多问题:缺少高质量的数据集;主流分割网络无法完成直肠肿瘤的高精度分割任务;缺少便捷可靠的自动化分割系统等。针对上述问题,本文通过研究基于卷积神经网络的图像增强与分割算法,实现直肠肿瘤磁共振图像(Magnetic Resonance Imaging,MRI)的数据增强和自动分割。本文主要工作与创新归纳为以下几个方面:(1)为了解决高质量直肠肿瘤MRI数据集稀缺的问题,本文通过改进Cycle GAN网络实现直肠肿瘤CT图像与MRI图像的域迁移和重建,基于域迁移和仿射变换的方法构建高质量直肠肿瘤数据集。首先,本文使用UNet++网络作为Cycle GAN网络的基础网络结构,平衡UNet网络中浅层特征与深层特征的比重;其次,在UNet++网络的跳跃连接处引入空间域和通道域的混合注意力机制,对通道域特征信息的权重进行自适应分配;最后,引入SSIM损失函数改进Cycle GAN网络中的循环一致损失和本体映射损失函数,保证重建图像与原始图像的结构一致性。(2)为了实现直肠肿瘤MRI图像中病灶区域的高精度分割,本文在U-Net网络的基础上设计了一种新型分割网络DCMSG-UNet。首先,该网络使用空洞卷积和多头自注意力机制改进分割网络中基础的特征提取模块,在不改变卷积核大小的情况下,提取到更大感受野的特征信息,并使用多头自注意力机制捕获不同感受野中特征信息的长依赖;其次,该网络增加了一条解码器路径,利用该路径融合多尺度特征的下采样信息,实现直肠肿瘤的粗分割;最后,该网络使用GAM混合注意力机制放大附加解码器路径的维度交互特征,然后传入原始解码器路径细化分割结果,从而得到更准确的分割结果。(3)为了实现直肠肿瘤的可视化与交互分割,本文基于PyQt5开发了直肠肿瘤MRI图像分割系统,辅助医生进行直肠肿瘤的临床医学诊断。该系统实现了直肠肿瘤图像的自动分割与可视化、肿瘤分割结果与真实标签的数字量化等功能。综上所述,本文提出的DCMSG-UNet网络集成了UNet网络、空洞卷积、多头自注意力机制和通道注意力机制的优势,在使用Cycle GAN与仿射变换构建的直肠肿瘤数据集上进行实验验证,证明了本文设计的直肠肿瘤图像样本增强方法和分割网络的有效性与合理性。基于DCMSG-UNet分割网络开发的分割系统可以有效地实现直肠肿瘤图像的自动分割任务,为临床医学诊断提供重要参考信息,具有一定的研究意义。

基于深度神经网络的连续无创血压测量方法研究

这是一篇关于动脉血压(ABP),光电容积脉搏波(PPG),CycleGAN,U-net,无创连续的论文, 主要内容为血压是人体血管系统的主要特征之一,它可以反映出人体的健康程度,还是临床医学判断病情的重要指标。目前临床上主要使用的测量方法为有创直接测量法,但是该方法容易对病人的身体产生损伤,只适用于重症患者。间接测量主要通过柯氏音听诊法和示波法,但是无法实现连续的血压测量。目前基于脉搏波信号的无创连续血压测量的研究越来越热,研究表明可以通过脉搏波信号重构动脉血压波形信号,使用深度学习模型进行数据自适应计算特征,减少人工提取特征的误差,提高模型普适性,重构的动脉血压波形,有助于提供后续的心血管疾病的诊断和治疗。本文主要采用了深度神经网络模型对光电容积脉搏波进行血压测量,主要研究工作如下:1、针对原始脉搏波信号存在噪声干扰等问题,采用小波变换方法对脉搏波信号分解重构去除高频噪声和基线漂移。2、针对连续无创血压波形重构问题,提出了基于循环生成对抗网络的连续无创血压测量研究,通过脉搏波信号进行动脉血压波形重构。循环生成对抗网络的记忆性能够充分的学习输入信息的重要特征,该网络具有更好的特征学习能力,能够获取更多的有效特征信息。实验结果表明该模型能够有效的进行动脉血压波形重构。在基于深度神经网络结构的基础上,进一步提出了基于融合U-net模型的无创血压测量。利用一维U-net模型提取深层语义信息同时保留浅层语义信息,结合一维Multi Res UNet模型融合成新的网络模型结构,使的该网络模型具有更好的全局特征学习能力。将处理好的脉搏波信号输入网络模型中,通过与原始动脉血压波形对比分析,该网络能够精准的重构动脉血压信号。基于无创动脉血压实验表明,与CycleGAN模型相比,该模型具有更优的动脉血压波形重构性能。3、设计无创血压训练检测系统,将模型的训练和检测结果进行可视化分析,通过算法模型进行动脉血压的检测分析,提高了无创血压测量模型的实用性。