辽宁工程技术大学电子与信息工程学院,辽宁 葫芦岛 125105
艺术家创作卡通是一项具有挑战性和耗时的任务。将真实照片自动转换为高质量卡通风格图像的自动技术具有很高价值。提出一种基于生成对抗网络的轻量级图像卡通风格化方法。通过观察卡通绘画行为,将卡通图像风格解耦为平滑表面、稀疏色块、高频纹理3种表示方法。运用生成对抗网络框架学习提取的表示,进而学习卡通图像风格,在生成网络中采用深度可分离卷积和反向残差块来减少网络的参数量与计算成本。为验证所提方法的有效性,进行定性比较和定量分析。结果显示,所提方法能够快速地将真实世界的照片转换为高质量的卡通图像,在时间效率和转换质量方面与已有方法相比有一定优势。
生成对抗网络 解耦表征 轻量级网络 风格迁移 激光与光电子学进展
2023, 60(4): 0410017
1 辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛 125100
2 中国科学院海西研究院泉州装备制造研究所, 福建 泉州 362000
传统的高光谱图像分类大多只考虑地物的光谱信息,而忽略了空间信息,现有的空谱联合分类方法难以有效提取空间邻域信息。针对上述问题,提出了一种卷积神经网络和稀疏字典联合学习的算法。现有稀疏编码方法大多仅考虑光谱信息而丢弃空间信息,而所提算法利用卷积神经网络可以有效提取数据深层特征的优势,对高光谱图像同时提取空谱特征,获取高维深层特征;然后再通过字典学习对深层特征进行稀疏编码,以获取用于分类的鉴别特征;最后采用分类器确定分类结果。在实验部分,采用所提算法与现有几种算法在三个公开数据集上进行分类,结果发现:相比于其他算法,所提算法的总体分类精度、平均分类精度和Kappa系数均有所提升。所提方法可以同时提取高光谱数据的空谱特征,具有良好的鲁棒性和判别性,有效地提高了分类的准确率,并且在样本数量小的数据集上表现良好。
遥感 高光谱图像 空谱特征 稀疏编码 卷积神经网络 激光与光电子学进展
2020, 57(18): 182802
辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛 125105
风格迁移技术迅速发展的今天,全局风格迁移技术已基本成型,但它在实际的应用过程中存在不能对图片的目标区域进行局部风格迁移等问题。针对以上问题,本文在卷积神经网络的基础上结合残差网络,提出了一种基于残差式神经网络的局部风格迁移方法。首先,利用掩模技术对内容图进行分割,提取目标区域;其次,卷积神经网络提取图片特征并进行特征融合;然后,使用残差网络加快生成图的形成速度;最后,通过反卷积生成一张只对目标区域完成风格迁移的图片。在Microsoft Coco2014数据集上设计了多个实验,实验结果表明,所提出的基于残差式神经网络的局部风格迁移网络模型具有较好的局部风格转换能力,并且具有较高的执行效率。
图像处理 风格迁移 局部分割 特征融合 残差网络 反卷积 激光与光电子学进展
2020, 57(8): 081012
1 辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛 125105
2 大连理工大学计算机科学与技术学院, 辽宁 大连 116024
提出一种基于分层稀疏表示特征学习的方法即分层判别特征学习算法对高光谱图像进行分类,在两层的分层结构中用空间金字塔匹配模型在每层的稀疏编码上用最大池化方法学习得到判别特征,用分层判别特征学习得到的特征表示对于分类更稳健、判别性更好。在两个高光谱数据集上评价该方法,结果表明,该方法具有更好的分类精度。
遥感 高光谱图像分类 特征学习 稀疏表示 激光与光电子学进展
2016, 53(9): 091001