一种基于压缩感知和生成对抗的鱼类图像生成方法技术

本发明专利技术涉及一种基于压缩感知和生成对抗的鱼类图像生成方法，属于计算机视觉与深度学习技术领域，步骤包括：步骤1，基于高分辨率鱼类数据集训练压缩感知神经网络，获得低维观测信号和重构映射；步骤2，基于上述低维观测信号训练生成对抗网络，获得低维观测信号的生成器；步骤3，利用上述生成器，向生成器中输入噪声产生新的低维观测信号，利用上述重构映射将生成的低维观测信号重构为生成的高分辨率鱼类图片。本发明专利技术中生成器的输入为服从高斯分布的随机噪声，不需要从高维数据集中获得，因此本发明专利技术中获得的生成器可以将任意服从高斯分布的噪声生成为高清鱼类图像。且本发明专利技术可以生成与原始数据集服从同一分布而更加多样的不同高清鱼类图像。同高清鱼类图像。同高清鱼类图像。

【技术实现步骤摘要】
一种基于压缩感知和生成对抗的鱼类图像生成方法


[0001]本专利技术涉及一种基于压缩感知和生成对抗的鱼类图像生成方法，属于计算机视觉与深度学习


技术介绍

[0002]鱼类行为和游泳能力可以反映其所在水域的生态环境状况。利用高清相机拍摄的鱼类图像可用于分析鱼类行为和游泳能力，监控生态系统健康程度和生物多样性。目前关于鱼类种类识别、鱼类行为检测等计算机视觉研究应用正深入开展，但是，由于自然水域水况复杂、图像收集难度大等原因，现有鱼类图像具有模糊不清、细节缺失、尺度单一、角度姿态单一等问题，当前可用于学习训练的多尺度、多种类、多姿态的高质量鱼类图像数据集较少，使得算法训练程度不够，不能达到优良效果。
[0003]因此，利用生成对抗网络对鱼类图像训练样本进行增广是一个前景广阔的研究方向，同时图像生成在人工智能领域占有重要地位，其可以在旧样本分布的基础上生成新的样本数据。生成模型的目的是创造新的数据概率分布，可用于一些创造性的工作当中。通过生成模型可以生成新的图像，成为了解决图像样本较少问题的有效方法。
[0004]在2014年本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于压缩感知和生成对抗的鱼类图像生成方法，其特征在于，包括步骤如下：步骤1，基于高分辨率鱼类图像训练压缩感知神经网络，获得低维观测信号和重构映射；步骤2，基于上述低维观测信号训练生成对抗网络，获得低维观测信号的生成器；步骤3，利用上述生成器，向生成器中输入噪声产生新的低维观测信号，利用上述重构映射将生成的低维观测信号重构为生成的高分辨率鱼类图片。2.根据权利要求1所述的基于压缩感知和生成对抗的鱼类图像生成方法，其特征在于，步骤1包括：步骤11，加载高分辨率鱼类图像数据集，作为压缩感知神经网络的训练集；步骤12，加载压缩感知神经网络模型，基于上述训练集对神经网络采用倒向传播法进行训练，获得高分辨率鱼类图像X的低维观测信号Y和重构映射f；则有，其中，原始高分辨率鱼类图像为X，压缩感知的欠采样矩阵为W，低维观测信号为Y，重构映射为f，重构的高分辨率鱼类图像为网络训练的损失函数为MSE均方误差。3.根据权利要求2所述的基于压缩感知和生成对抗的鱼类图像生成方法，其特征在于，步骤12中，压缩感知神经网络为四层全连接的神经网络，第一层的神经元个数与训练集鱼类图像的维数一致，第二层神经元个数为819，第三层神经元个数为1638，第四层神经元个数与训练集鱼类图像的维数一致；网络训练的损失函数为MSE均方误差，网络训练的优化器为ADAM，学习率为0.001。4.根据权利要求3所述的基于压缩感知和生成对抗的鱼类图像生成方法，其特征在于，步骤2包括：步骤21，构建生成对抗网络结构，生成对抗神经网络由生成器和判别器构成；生成器为五层全连接神经网络，各层神经元个数为100
‑
256
‑
512
‑
1024
‑
819，判别器为五层全连...

【专利技术属性】
技术研发人员：鲍江辉，姜昊，段明，王馨悦，李蔚郁，胡少秋，张东旭，张敬林，鲁威志，
申请(专利权)人：山东大学，
类型：发明
国别省市：