5个研究背景和意义示例,教你写计算机循环生成对抗网络论文

今天分享的是关于循环生成对抗网络的5篇计算机毕业论文范文, 如果你的论文涉及到循环生成对抗网络等主题,本文能够帮助到你

基于深度学习的特钢棒材标记信息码识别系统研究

这是一篇关于深度学习,图像增强,信息码识别,循环生成对抗网络,YOLOv5模型的论文, 主要内容为随着社会的发展,消费者对产品生产信息越发关注,而特钢作为各行业发展不可或缺的产品,其需求量巨大,因此特钢棒材生产信息的追溯成了钢厂的工作重心。目前钢厂仅能实现成捆棒材的信息追溯而不能精确到单根,客户不能精准的选购合适的特钢棒材,甚至因退换货造成经济损失。本文根据钢厂实际生产需求,开发基于深度学习的特钢棒材标记信息码识别系统,辅助特钢棒材精整线追溯单根棒材生产信息。本文研究内容主要包括信息码识别系统的设计与开发以及适用于钢厂环境的图像增强与信息码识别算法的研究,具体内容如下:1)根据钢厂现场环境以及实际需求,确定信息码识别系统的总体方案,搭建棒材检测模块、机器视觉模块与数据处理模块,确定系统工作流程;2)确定图像增强算法的基础模型为循环生成对抗网络,基于U-net网络重新设计生成网络并在转换器与解码器之间添加空间注意力模块,选取低照度图像与光照条件较好的图像进行不同的图像预处理获得杂点较多图像与质量较高的图像,分别为X域与Y域图像,训练得到具备将X域图像转化为Y域图像能力的生成网络,将信息码图像按照低照度图像预处理方法处理过后输入训练所得生成网络输出质量较高的信息码图像,提出基于循环生成对抗网络的图像增强算法;3)确定YOLOv5模型为信息码识别算法的基础模型,训练获得标志点检测模型与信息码识别模型,标志点模型检测到标志点后基于余弦定理进行字符旋正,并将旋正后的图像输入信息码检测模型获得信息码结果,提出基于字符旋正的信息码识别算法;4)针对基于字符旋正的信息码识别算法需要2个检测模型的问题,以长边定义法定义旋转边框并利用环形平滑标签解决角度边界问题,为YOLOv5模型添加角度预测机制,训练获得多角度信息码检测模型,调整深度系数与宽度系数优化模型,提出多角度信息码识别算法。搭建信息码识别硬件系统,基于本文图像增强算法与多角度信息码识别算法开发信息码识别软件系统,在实验室环境下对该系统进行实验,验证其具有可行性与鲁棒性,且满足钢厂的实际生产需求,为钢厂实现单根棒材生产信息全流程可追溯奠定理论与技术基础。

基于深度学习的特钢棒材标记信息码识别系统研究

基于心音特征的音乐生成模型研究

这是一篇关于心音分类,音乐生成,循环生成对抗网络,波网网络,时域卷积网络的论文, 主要内容为心脏病是危害当今社会人民身体健康的重大疾病,每年有1770万人死于心脏相关疾病。心音分类作为心脏病预检的主要手段具有重大的研究意义,这种方法需要通过专业的医护人员聆听心音并判断其是否含有病理性的杂音进行诊断。但受制于其所需的专业知识,普通群众很难直接对原始心音进行分类。本课题为了降低普通群众对于心音自检的门槛,研究了通过深度学习方法将复杂心音转化为更容易识别、差异性更大的音乐文件方法,通过更简单的音乐分类实现更复杂的心音分类工作。因此,本文的研究工作分为以下几点:研究基于心音梅尔频谱图的心音音乐生成方法,目的是将心音先转换成图片,再利用当下较流行的深度学习相关方法实现心音音乐生成。本文将心音与音乐转换为梅尔频谱图并构建数据集,利用改进后的循环生成对抗网络进行风格转换,实现心音梅尔频谱图到音乐梅尔频谱图的转换。获得心音音乐梅尔频谱图后,利用波网声码器生成心音音乐,实现了一个基于图片的心音音乐生成方案,同时通过主观调研的方式,对比了生成音乐的真实性以及其对原始心音类型的反映能力(具体可以表现为依据心音音乐对原始心音进行分类的准确性)。研究基于符号化音乐生成的心音音乐生成方法,目的是通过构建音符及和弦与心音特征间的关系实现心音音乐生成。本文首先依据梅尔频率倒谱系数(Melscale Frequency Cepstral Coefficients,MFCC)的特性进行特征提取,接下来提取出音乐数据集中的音符及和弦并进行编码。通过将MFCC与音符编码配准构建训练集,利用HBSM-NET模型得到音符编码,再利用music21库进行编曲,实现基于符号化的音乐生成方法,通过主观评价与客观评价两种方式对心音音乐的真实性及对原始心音类型反映能力进行了衡量并对符号化的心音音乐生成方法与图像化的心音音乐生成方法进行了对比。为了将目标算法投入日常应用,在本文提出的心音音乐生成算法基础上进行了心音音乐生成系统研究与开发工作,系统主要实现对用户的心音进行保存、心音音乐生成及在线展示、心音音乐生成记录保存等功能,主要目标是为用户提供可交互的心音音乐生成平台。

雨雾影响下的智能航海图像增强技术研究

这是一篇关于航海图像去雾,航海图像去雨,暗通道先验,循环生成对抗网络,条件生成对抗网络的论文, 主要内容为计算机视觉技术已成为智能船舶感知周围环境的重要手段。然而在雾天和雨天这类能见度不良的天气情况下,由于海雾悬浮颗粒的散射和雨水条纹的遮挡,感知系统所捕捉到视觉图像的可见度、对比度以及色彩等质量明显下降,使基于视觉的目标检测、目标跟踪和语义分割等高层任务受到严重影响,导致准确度下降甚至无法检测到目标或丢失跟踪目标。雨雾导致的图像质量下降限制了计算机视觉技术在智能船舶和智能航海领域的广泛应用,针对航海场景图像的去雾和去雨处理具有十足的必要性和重要研究价值。目前,针对航海场景图像的去雾和去雨方法相对较少,已有算法大多针对陆地场景。由于航海场景图像存在着海天相接且占比较大、整体颜色单一和水上目标较稀少等特点,对其进行去雾和去雨更加困难。本文首先构建了专门的航海雨雾图像数据集,并基于深度学习理论分别研究了航海图像的去雾和去雨智能增强算法,完成的主要工作包括:(1)构建了航海雾天图像数据集和航海雨天图像数据集。除了收集真实航海场景的非成对数据集,还利用人造雾天数据制作方法形成了成对雾天数据集,利用结构噪声雨天数据制作方法和真实渲染雨天数据制作方法形成了人造的成对雨天数据集,用于更好地训练航海图像去雾和去雨智能增强模型。(2)提出了融合暗通道先验与循环生成对抗网络的航海图像去雾算法。算法首先利用基于物理模型的暗通道先验去雾算法将图像分解,分别输出透射图和去雾图像,再通过循环生成对抗网络对透射图和去雾图像进行处理和择优判断,以生成更好的去雾图像。对比实验结果表明,该算法的航海图像去雾效果,在图像质量评价指标与视觉上具有高度一致性,优于其他模型方法。(3)提出了多级渐进式条件对抗增强航海图像去雨算法。算法首先利用多级渐进式去雨模块将全局雨纹从图像中清除,再利用暗通道先验去雾模型进行初步去雾,最后利用条件生成对抗图像增强模块解决暗光、水雾和细节丢失等问题。对比实验结果表明,该算法的航海图像去雨效果明显优于其他模型方法。(4)设计了基于Efficient Net-B3的航海图像天气识别方法。方法基于航海图像的天气情况归属分类,将航海图像识别为的雾天或雨天图像,再分别输入到对应的去雾或去雨智能增强模型中处理,获得清晰的航海图像。航海图像的去雾和去雨智能增强算法可以更好地实现基于计算机视觉的航行环境目标识别和跟踪,对于打造更精确和健壮的船舶智能视觉感知系统具有重要的意义和应用价值。