鉴别器_参考网

基于生成对抗网络与多头注意力的文本隐写术*

former的鉴别器;然后给出了生成器和鉴别器的详细设计;最后介绍训练过程中奖惩模块和多头注意力的作用。3.1 总体结构本文提出的基于生成对抗网络的TS-GANMA结构主要包括1个生成器和1个鉴别器,如图1所示。由于长短期记忆网络(LSTM)对于时序信号具有较强的建模能力,本文选择双层LSTM作为生成器来增强整个网络的建模能力。LSTM可以获取每个时间步长的单词概率,并将当前时间步长的输出作为下一时间步长的输入。训练过程中,生成器生成大量生成文本,然后利用

计算机工程与科学 2023年10期2023-10-24

基于域自适应网络的跨场景摔倒检测算法研究

统中,引入了域鉴别器和域混淆自适应层进行对抗性训练。该算法通过引入依赖于应用差异的相对值的相对鉴别器来优化对抗训练,从而更好地反映域间差异;其次,将多核架构下改进的MMD作为域对抗损失的正则化项,在模型的梯度更新中添加约束,进一步减小域间的混合分布(边缘分布和条件分布)距离,从而促进整体迁移学习的效果。1 系统设计该文旨在解决跨场景摔倒检测问题。在源域中可以获得大量有噪CSI信号及其标签(即含有尽可能少的噪声干扰的CSI信号),在目标域中只有有噪CSI信号

计算机技术与发展 2023年10期2023-10-21

基于多对抗性鉴别网络的人脸活体检测

,设计多对抗性鉴别器网络,将原有的一个生成器和一个鉴别器的网络架构设计为一个生成器、一个主鉴别器和一个辅助性鉴别器的网络架构,重新设计了2个鉴别器。(2)在设计的鉴别器中使用人脸的关键点产生五官(眼睛、鼻子、嘴巴)和皮肤上的遮罩,2个鉴别器各自独立处理五官和皮肤的细节问题,使生成器在学习的过程中除了注意全局特征外,更注重五官和皮肤上的细节,强化伪造人脸图像五官和皮肤上的特征,对本文的人脸活体检测起到了关键作用。2 本文工作本文提出一个基于多对抗性鉴别网络的

计算机工程与科学 2023年9期2023-09-18

基于全相位滤波器组频带鉴别的生成对抗网络声码器设计

%的参数. 在鉴别器中做了两点改进：一是将 HiFi-GAN 中多尺度鉴别器与多周期鉴别器替换为基于全相位滤波器组的鉴别器，克服了原有模型无法依据语音能量非均匀频带分布，灵活进行特征特征提取的缺点；二是提出基于频带加权的多窗长的短时傅里叶变换谱损失函数，配合鉴别器更好地稳定训练. 实验结果表明：APFB-GAN 声码器合成的语音质量可与 HiFi-GAN 相媲美，且其高频细节特征更为突出，模型参数只为HiFi-GAN的28.78%，在GPU 上的合成速度是

天津大学学报(自然科学与工程技术版) 2023年8期2023-06-21

基于深度学习的实时点云修补算法

主要由生成器和鉴别器构成,生成器将一个噪声包装成一个逼真的样本,鉴别器判断送入的样本是否为真实样本,在这个不断迭代的过程中,鉴别器对样本的判别能力不断上升,生成器的生成能力也不断上升,最终两者的能力达到平衡。生成器的期望是将所生成的数据送入鉴别器后,鉴别器能将其判别为真实数据,鉴别器的期望是能将所有的生成数据和原始数据区分开,二者在博弈的过程中共同提升性能。GAN的训练模式一般会先固定生成器,迭代多次训练鉴别器,然后固定鉴别器训练生成器,两者依次交替,使用

软件工程 2023年6期2023-06-10

基于多鉴别器生成对抗网络的时间序列生成模型

开。本文采取多鉴别器对时间序列的多种特征进行鉴别，提出了多鉴别器生成对抗网络（MDGAN,multi-discriminator generative adversarial network）模型。本文主要研究工作如下。1) 本文提出了一种新型的MDGAN 模型，包含时域鉴别器、频域鉴别器、时频域鉴别器和自相关鉴别器，能够对生成数据进行多角度评估，进而提高生成器的合成数据质量，使合成数据更加符合真实时间序列的分布和特征。2) 在对所提模型进行训练时，本文引

通信学报 2022年10期2023-01-09

基于生成对抗网的中国山水画双向解码特征融合外推算法

络采用生成器和鉴别器的组合,生成器用于生成虚拟的外推图像,训练过程中鉴别器用于鉴别生成的外推图像和原图像是否一致以帮助生成器生成符合原有图像分布的外推图像.该方法能够粗略地外推简单自然场景图像,这表明将对抗学习方法应用于图像外推是可行的;2019年,Guo等人[8]提出了一种基于结构感知和视觉注意力机制[9]的图像外推策略,该外推方法包括粗推和精推2个过程,分别进行结构感知性粗略外推和视觉注意性精细外推,该网络可以预测输入图像外推部分的全局结构,但难以生成

计算机研究与发展 2022年12期2022-12-15

基于改进循环生成对抗神经网络的语音增强

，它的生成器和鉴别器一般均由DNN构成。GAN在语音增强领域最大的优势是能够学习任何分布下的数据，并能生产相似分布的数据[9]，通过对纯净语音样本的学习，使含噪语音转换为类似于纯净语音的增强语音，以达到语音增强的目的。但GAN需要大量成对的数据集进行训练，训练的难度增大，不利于实际的应用。Zhu等[10]提出的循环一致性生成对抗网络(cycle-consistent generative adversarial network, CycleGAN)模型，适

东华大学学报（自然科学版） 2022年5期2022-11-11

基于生成对抗网络的自爆绝缘子检测模型设计

习网络，其包含鉴别器和生成器两部分，其整体结构如图1。鉴别器为二元分类器，训练目标是判断输入数据是训练数据还是生成数据。生成器通常为反卷积网络，模拟训练数据的分布，训练目标是生成数据能够“欺骗”鉴别器，即使鉴别器无法分清生成图片和输入图片[12]。所以在训练过程中，生成对抗网络的两部分训练目标相反，即为对抗训练，其训练目标可以被表示为：图1 生成对抗网络模型示意图Fig. 1 Schematic diagram of generative adversar

现代电力 2022年5期2022-10-17

基于对抗自编码模型的高速泵异常检测

部分：生成器和鉴别器，本质上为两个多层感知机网络。生成器可以生成伪造的图像，通过训练鉴别器将生成器生成的虚假图像与数据集区分开。最初因为权重是随机的，生成器会产生一些随机噪声，通过训练可使鉴别器能分辨出这种随机噪声和真实图像，鉴别器能力提高后，通过权值反向传递促使生成器生成虚假图像的能力提高，使它生成更好的伪图像，生成器产生图像效果的提高又继续反作用于判别器，继续执行此过程，直到生成器能够很好地生成伪图像为止，从而使鉴别器不再能够分辨伪图像中的真实图像。最

机床与液压 2022年7期2022-09-17

基于双鉴别器生成对抗网络的单目深度估计方法

像，在训练时，鉴别器网络学习区分由生成器生成的假图像和用立体装置获取的目标帧，成功用GAN范式解决了单目深度估计问题. Almalioglu等[11]提出了一个生成性无监督学习框架，该框架利用深度卷积GAN从未标记的RGB图像序列中预测六自由度相机位姿和场景的单目深度图，在位姿估计和深度恢复方面都有更好的效果. 此外，基于GAN的单目深度估计方法还探索了条件随机场[21]及GAN的变体Vanilla GAN、WGAN[25]、Conditional GAN

北京工业大学学报 2022年9期2022-09-15

基于双专用注意力机制引导的循环生成对抗网络

小，但是，由于鉴别器没有注意力机制引导，从而引入背景元素的干扰，影响了生成图像的质量。U-GAT-IT［17］提出了基于类激活CAM［18］注意力机制引导的生成器和鉴别器，虽然提升了成像质量，但整体网络的判别器需要从2 个增加至4 个，不仅大幅增加了模型的复杂度，并且其提出的基于CAM 注意力机制引导的生成器不够优越，仍然会对整体图像进行修改，图像转换效率不高，图像生成质量仍然有提升的空间。2 基本原理为解决上述存在的问题，本文提出了一种新的用于无匹配图像

液晶与显示 2022年6期2022-09-01

多阶段生成器与时频鉴别器的GAN语音增强算法①

息. 同时使用鉴别器区分干净语音信号与增强语音信号,将鉴别结果反馈给生成器,指导生成器学习类似于真实干净语音的信号分布. 尽管已有实验证明GAN 在语音增强任务上的应用是成功的,但增强语音失真与缺乏对各种语音特征的考虑[12]等问题依然存在. 在图像处理任务中,许多人通过修改损失函数[17]或改进生成器和鉴别器结构[18,19],以改善GAN 的效果. 但在语音增强任务中该问题还未得到广泛研究,SEGAN 仍存在语音失真与低信噪比条件下表现不佳的问题.为了

计算机系统应用 2022年7期2022-08-04

基于FVOIRGAN-Detection 的车辆检测

想［18］，用鉴别器鉴别图像相对真实概率取代绝对真实概率，使得可见光中有利于目标检测的纹理信息可以更好、更真实地保留［19］。2 FVOIRGAN-Detection2.1 CrossGAN-DetectionCrossGAN-Detection 运用生成对抗网络［20］处理多源信息融合检测的问题，该方法由GAN和目标检测网络组成。目标检测网络在训练过程中充当GAN 的第二个鉴别器。该方法利用内容损失函数和双鉴别器为发生器提供直接可控的引导，通过交叉融合自

光学精密工程 2022年12期2022-07-04

基于DDR-CycleGAN的红外图像数据增强

据增强网络:双鉴别器相对循环一致性对抗网络,这种增强只需要少量不成对的数据就可以训练出从可见光图像到红外图像更高质量的映射,实现红外图像数据增强。本文方法主要有两个创新点:第一,对于双鉴别器循环一致性生成对抗网络的生成器在不断优化过程中会脱离鉴别器水平而产生过度优化的问题,加入了相对概率的思想,用鉴别器鉴别图像相对真实概率取代绝对真实概率,解决生成器在不断优化过程中会脱离鉴别器水平而产生过度优化的问题。第二,对于DDR-CycleGAN提出了Four-st

激光与红外 2022年4期2022-06-09

强噪声下的矢量跟踪信号故障检测算法

中大多直接采用鉴别器输出的码相位或载波相位等信息来构造故障检测统计量。然而现有的常规鉴别器只能在跟踪误差接近于零的小范围内保持线性偏差输出能力[8]。当受到异常信号干扰影响时，跟踪通道持续存在较大的跟踪偏差，此时鉴别器会产生不同程度的输出失真[9]。这无疑会对接收机的跟踪性能产生不利影响。由于鉴别器的失真，信号故障造成的较大幅值码相位偏差输出为较小的偏差值，使得故障检测算法难以检出其异常。除此之外，量测噪声的增大会使得偏差小的故障混入噪声之中难以检测，而偏

西北工业大学学报 2022年2期2022-05-11

基于自注意力机制和谱归一化的GAN表情合成

实感；另外，在鉴别器中添加谱归一化来约束权重的Lipschitz常数，以稳定鉴别器的训练。本文模型与pix2pix和StarGAN的实验结果相比更具真实感，纹理细节更加丰富，图像质量得到了进一步提升。1 相关工作GAN是一种基于博弈论的深度学习框架。该框架基于随机噪声的输入，让生成模型和鉴别模型交替进行对抗学习：生成模型尽可能欺骗鉴别模型，生成接近于真实数据分布的图像；鉴别模型相当于分类器，对生成的假样本和真样本进行区分和判断，当训练达到最优时，鉴别模型将

智能计算机与应用 2022年4期2022-04-28

用于全色锐化的相对平均生成对抗网络

是通过生成器与鉴别器之间的对抗博弈使生成器生成足以以假乱真的假样本,网络结构如图1所示。图1 生成对抗网络结构Fig.1 Architecture of GAN为解决GAN生成图像质量不高以及训练过程不稳定的问题,一些GAN的变体被相继提出[20-23]。相对平均鉴别器的使用有助于生成器恢复更真实的图像纹理细节,相对平均鉴别器的函数表达式为DRa(xr,xf)=σ(S(xr)-Exf[S(xf)])→1(1)DRa(xf,xr)=σ(S(xf)-Exr[S

西安交通大学学报 2022年3期2022-03-15

基于生成对抗网络的塔里木深层超深层叠前地震子波提取

先利用GAN的鉴别器判断滚动轴承参数序列的准确性，然后生成器拟合无故障情况下的轴承参数序列，验证了生成对抗网络处理一维序列的有效性.这些GAN算法的应用为本文实现叠前地震子波的提取提供了可能.本文通过采用生成对抗网络来实现叠前地震子波的提取.针对塔里木地区的深层低信噪比叠前地震资料，通过去噪等方式实现数据预处理，利用传统地震子波提取方法提取部分地震资料中的叠前地震子波，再与合成叠前地震记录共同组成训练集；采用生成对抗网络训练数据集，最后利用地震子波与地震记

地球物理学报 2022年2期2022-02-23

基于对抗学习的蒙汉神经机器翻译①

分开的语句,而鉴别器努力将机器生成的句子与人类翻译的句子区分开.背后的动机是:虽然无法全面的手动定义标准句子的数据分布,但能够利用判别网络自动学习标准句子,因此,建立了条件序列生成对抗网络来联合训练两个子对抗模型.同样验证了使用对抗学习进行机器翻译模型训练的方法可以有效的提高译文的自然性、充分性和准确性.因此,将对抗学习策略应用在平行语料资源较为匮乏的蒙汉机器翻译中以提升其翻译质量具有非常重要的研究价值.本文从如何提高蒙汉机器翻译模型质量的角度出发,将生成

计算机系统应用 2022年1期2022-02-15

基于Pix2Pix 的人脸素描图像生成方法研究

hGAN 作为鉴别器，如此一来则可以生成质量较高的图像，并且因为其结构简单，易于训练等特点，目前在图像生成领域比较流行。由于人脸图像细节较为丰富，而采用Pix2Pix模型很难捕捉到这些细节中所包含的信息，导致生成的人脸画像在五官、脸部轮廓等细节丰富部位会出现模糊、信息缺失等问题。文中针对该问题，提出一种改进Pix2Pix 模型。在Pix2Pix 基础上，研究的主要创新点包括：（1）在原Pix2Pix 模型的生成器和鉴别器中引入自注意力模块（Self-Att

智能计算机与应用 2022年12期2022-02-07

基于循环条件生成对抗网络的数据生成方法*

络中的生成器和鉴别器，以最大平均差异和最大似然估计作为指标，构建数据生成评估模型，提出一种可生成实值数据序列的循环条件生成对抗网络（RCGAN）。该方法完全依靠数据驱动，无需经过精心设计的建模过程，生成数据与真实数据一致，鲁棒性强，受噪声的干扰较小，具有很好的泛化性。1 生成对抗网络框架生成对抗网络（GAN）是最先进的AI 框架［12］，作为一种数据生成框架已显示出卓越的应用优势，其核心思想是在生成器和鉴别器之间建立博弈关系。生成对抗网络的一般结构如图1

火力与指挥控制 2021年11期2022-01-26

基于生成对抗网络的异质信息网络表征学习

在的分布。2）鉴别器模型采用负采样或随机游走等方法获取异质信息网络中的负样本，选择信息网络中真实存在的节点对及对应关系作为正样本，再将负样本和正样本作为模型的输入训练模型。生成对抗网络[5]则将生成器模型和鉴别器模型有效地结合起来，被誉为机器学习有史以来最好的无监督学习技术。生成对抗网络实际上就是一个最大最小值博弈问题，博弈优化终止于一个最低点。这个最低点视实际情况的不同有可能为全局最小值点、局部最小值点或是鞍点。该最低点的散度对于生成器G来说是最小的，对

应用科学学报 2021年4期2022-01-19

基于仲裁机制的生成对抗网络改进算法

过程中生成器与鉴别器都是按照固定的顺序进行训练，模型训练不灵活，导致模型从数据集中学习的特征没有得到更有效的运用；同时，其所使用的损失函数在优化过程中缺乏灵活性，致使模型的收敛状态不明确。因此针对这两个问题，本文提出了基于仲裁机制的生成对抗网络改进算法，该算法主要基于DCGAN，引入所提出的仲裁机制：度量分数计算，训练规划。引入仲裁机制的DCGAN 在每一轮对抗训练结束时会将经过训练的生成器输出的合成图像与真实样本导入仲裁器，通过仲裁器计算度量分数，并根据

计算机应用 2021年11期2021-12-07

基于GAN网络的红外图像生成技术*

成对抗网络，对鉴别器采用配对输入的方式，学习点对点红外映射进行风格迁移训练，将彩色图片转换为红外图片扩充了红外数据。使用L1损失函数增加了生成图片的清晰度，并在网络模型中加入了跳跃连接方式，增加了底层信息的输入，增强了网络的生成能力。此外，本文还制作了一个街道数据集。应用配对的红外图和彩色图进行训练，可以有效地学习两个不同域之间的转换关系，由此生成的红外图片更加逼真可靠。1 基于GAN网络的图像生成算法1.1 GAN的基本原理GAN是一种生成模型，可以通过

飞控与探测 2021年4期2021-11-24

基于通道分组注意力的无监督图像风格转换模型

意力残差块。在鉴别器部分，利用多分辨率尺度的全局鉴别器对输出图像进行不同分辨率尺度上的鉴别，利用局部鉴别器[9]对输出图像局部进行鉴别。1 无监督图像风格转换模型1.1 模型结构本文所提的无监督图像风格转换模型的主要创新点如下：1）采用通道分组注意力残差块构建生成器。CDA残差块主要包含通道分组和通道注意力机制（ef ficient channel attention，ECA）[10-11]两个模块。通道分组模块能够实现残差块内的跳跃连接，减少特征丢失；E

包装学报 2021年5期2021-11-13

基于零序基波时序鉴别原理的高压选择性漏电保护在煤矿供电系统中的应用

零序基波“时序鉴别器”的工作原理——“时序鉴别法”。U0J是由零序交流电压u0变换来的180度规则方波，作为时序鉴别的基准信号。I0是由零序交流电流i0变换来的脉宽和相位不确定的方波，I0的脉宽一般为180度，但若零序电流幅值过小，则I0的脉宽将远小于180度甚至为零。I0相对于U0J的相位随电网是无补偿、欠补偿还是过补偿而从左向右变动。如图1所示，當单相接地故障发生后，若某条线路的零序电流对应的I0方波与U0J方波的时序关系同时满足以下两个条件的，则该线

科技研究·理论版 2021年4期2021-09-10

基于CycleGAN的人脸素描图像生成

rator)和鉴别器D(discriminator)共同构成的深度学习模型，生成器G负责学习训练图像集的概率分布规律并生成具有相似概率分布规律的图像；鉴别器D负责判别输入图像是生成的图像还是训练图像。通过让生成器G和鉴别器D进行对抗训练，使生成器G生成的图像具有与训练图像相似的风格，鉴别器D判别生成的图像和训练图像的能力也得到不断提高，最终使得生成器G和鉴别器D达到一种稳定平衡状态，又称纳什均衡。GAN的网络结构如图1所示。图1 GAN网络结构随机噪声z是

计算机技术与发展 2021年8期2021-08-27

多分类深度卷积生成对抗网络的皮带撕裂检测

弈的思想，通过鉴别器与生成器之间竞争来提取图像数据特征，前者试图鉴别生成器生成的图像数据来最小化误差，而后者试图最大化该误差，最终二者达到纳什平衡，根据特征差异来进行前背景分割。由于该模型能从训练样本中自动学习得到其数据分布，继而生成新的样本数据，故只需少量的标注数据。然而训练时该网络采用梯度下降法，生成器可能沿某个特征一直训练，导致无法收敛，出现模式崩溃。因此，2016年，Radford等人[15]提出了深度卷积生成对抗网络（Deep Convoluti

计算机工程与应用 2021年16期2021-08-19

基于DCGANs的二维页岩图像重构方法

可区分的函数:鉴别器D和生成器G。生成器G将随机变量从随机噪声z映射到图像空间得到生成图像G(z)。z通常由正态分布pz的独立实数随机组成,代表生成器的随机输入。鉴别器D的作用是计算随机样本来自“真实”数据的概率分布pdata。鉴别器尝试正确标记每个样本,而生成器尝试“欺骗”鉴别器,标记生成图像G(z)作为真实数据分布的一部分,即实现D(G(z))接近1。GANs结构如图1所示[7-8]。图1 GANs结构根据鉴别器输出结果,得到GANs的损失。通常情况下

上海电力大学学报 2021年4期2021-07-16

基于带梯度惩罚深度卷积生成对抗网络的页岩三维数字岩心重构方法

GAN 中包含鉴别器和生成器，其特点在于通过内部鉴别器与生成器的对抗，隐式总结出数据集的数据特征，最终通过生成器将总结出的数据特征以目标数据形式反馈给用户。鉴别器期望准确地区分生成图像和训练图像，而生成器的目标在于生成可以欺骗鉴别器的高质量图像。完成指定的训练次数后，GAN 可以提取出训练图像的整体特征，并利用生成器生成以假乱真的图像以达到图像重构的目的。GAN 的缺点在于训练的稳定性差，很容易发生梯度消失和梯度爆炸。深度卷积生成对抗神经网络（Deep C

计算机应用 2021年6期2021-07-02

融合边缘检测和自注意力的图像修复方法①

11]提出了双鉴别器的生成对抗模型,该模型通过增设局部鉴别器跟踪受损区域保证了图像的一致性;Liu 等[12]提出的连贯性语义注意力方法,通过搜索已知区域中最相似的特征patch 填满缺失区域,增加patch 判别器进行一致性优化,保证了全局一致性;为了得到符合语义的图像,Yu 等[13]提出了基于上下文注意力的两阶段模型,加入上下文注意力模块,实现提取局部区域的有效特征,但是它不能处理任意形状的受损区域.还有一些利用其它技术的研究,如Nazeri 等[1

计算机系统应用 2021年5期2021-05-21

基于支持向量域描述的雷达地面目标鉴别技术

从提升地面目标鉴别器总体性能与目标识别系统工程可实现两个方面进行考虑，提出一种基于非均匀特征向量分布的目标鉴别器。本方法在训练阶段，对训练样本特征空间中的特征向量利用协方差矩阵描述特征向量之间的分布特性，以此为准则选择构成特征空间超球边界的特征向量，从而实现对训练样本特征空间的描述。利用实测数据与仿真数据结合的方式，对本文所提出的方法进行测试，本文所提出方法可有效应用于雷达地面目标识别的工程化实现中。1 支持向量域描述(SVDD)SVDD是一种典型的OCC

火控雷达技术 2021年1期2021-04-20

光流估计补偿结合生成对抗网络提高视频超分辨率感知质量

AN基于多特征鉴别器在像素、边缘和纹理3个方面的对抗训练促使生成器生成的SR帧与HR帧分别在像素、边缘和纹理3个方面的数据分布趋于一致,提高SR帧的感知质量。1 相关工作1.1 单幅图像超分辨率单幅图像超分辨率是从单幅LR图像中恢复出具有高频信息的SR图像。Dong等人将CNN应用于SISR,设计了一个包含3个卷积层的轻量级网络SRCNN[13],其性能和速度均优于传统方法。Kim等人使用全局残差策略设计了一个20层的残差网络VDSR[14],该网络通过学

西北大学学报（自然科学版） 2021年2期2021-04-16

基于FIDO技术的物联网身份认证解决方案

F协议引入了“鉴别器(authenticator)”概念，该组件由匹配器(matcher)和密钥管理器组成，运行于用户终端设备中，执行FIDO核心关键功能.匹配器使用生物特征识别技术(例如指纹识别、人脸识别、虹膜识别等)或者其他身份识别技术(例如PIN码、九宫格图形码等)对用户进行身份识别；密钥管理器则为用户创建并管理公私钥对，并进行各种密码学运算(例如签名、杂凑、加解密等).密钥管理器作为鉴别器的密码学内核(cryptographic kernel)，只

信息安全研究 2021年4期2021-04-06

基于情感复写的中文文本情感迁移方法

训练来生成器和鉴别器，并通过Transformer模型的注意力机制来自动捕获句子中的情感特征。2 模型在本文中，我们基于CycleGAN网络结构来训练生成器G，通过两个鉴别器D1和D2来判断两种不同情感的文本，模型训练过程如图1所示。图1 模型训练过程2.1 CycleGANCycleGAN［6］中构建了两个对称的GAN，能够实现两个迁移方向的任务，解决了在缺少平行数据集的情况下，模型无法学习到从X(Y)属性数据到目标Y(X)属性数据的问题。CycleGA

现代计算机 2021年35期2021-02-27

基于生成式对抗网络的开放式信息抽取

列生成器，一个鉴别器。其中，序列生成器负责生成开放式信息抽取的结果，鉴别器用于鉴定生成器的结果是否来自训练数据。文中也对一个大型的Open IE 基准数据集进行了研究，实验结果表明，该算法的性能优于几种常用的基准。同时，也证实了本文提出的模型要比单一的编码器-解码器模型好得多。此外，性能上的明显改进也证实了GAN 模型在解决开放信息抽取任务中的曝光偏差问题上的有效性。1 模型架构生成式对抗网络已经成功应用于计算机视觉等领域以及一些其他重要的领域［2

智能计算机与应用 2021年10期2021-02-25

融合感知损失的深度学习在常规MR图像转换的研究

是生成器，D是鉴别器。G旨在学习从随机向量噪声z到目标域中图像y的映射，而D学习区分生成的图像G(z)和真实图像y。不同于GAN 网络，CycleGAN 同时学习两个映射。定义两个图像域X和Y，如图1a 所示，CycleGAN 学习从给定图像x(x∈X)到输出图像y(y∈Y)的映射G:x→y以及从给定图像y到输出图像x的映射F:y→x。在CycleGAN 中还包含了两个鉴别器DX和DY，生成器G和F尽可能生成真实的图像以欺骗鉴别器，而作为一个二分类模型的鉴

中国医学物理学杂志 2021年2期2021-02-07

基于EKF的北斗B1C信号数据/导频联合跟踪方法

C/N0估计在鉴别器层面对载波环进行合并,实现了载波环联合跟踪;文献[11]和文献[12]分别使用GPS L2C、Galileo E1信号对载波环路联合跟踪技术进行了测试,验证了载波环联合跟踪可以达到提升灵敏度的目的．另外,由于卡尔曼滤波(KF)有良好的线性系统处理能力,相比传统锁相环具有很大的精度优势[13-14],因此可以使用KF跟踪方法以及改进的KF跟踪方法对低载噪比信号进行处理,平滑噪声影响,以提供更精确的相位误差和多普勒频移估计值,例如文献[15

全球定位系统 2020年6期2021-01-21

引入自编码机制对抗网络的文本生成模型*

LSTM网络，鉴别器使用CNN网络。最后解决生成文本的创新性不足问题，引入强化学习和交叉熵作为鉴别器中句子级和单词级的奖励，提高文本生成的质量。2 相关工作2011年Sutskever等人[13]在会话方面解决了RNN训练困难的问题，使用RNN成功生成文本；2012年He等人[14]在统计模型基础上，为每一行古诗进行特定训练，生成中国古诗；在此基础上，2014年Zhang等人[15]使用RNN学习到单个字符的多种不同组合，解决了多个字符间关联的问题，使产生

计算机工程与科学 2020年9期2020-10-10

基于LeakyMish 流行正则化半监督生成对抗网络的图像分类模型

分别是生成器和鉴别器，故是生成器和鉴别器相互竞争。生成器通过学习真实样本生成类似真实样本的生成样本，尽可能地欺骗鉴别器，而鉴别器区分真实样本和生成样本，尽可能地不被生成样本欺骗，两者相互竞争，最终达到纳什均衡，它表述为：其中，x 为真实图像库中的图像，Pdata为其分布，z为随机噪声，Pz为其分布，一般为高斯白噪声，D（x）是真实图像输入鉴别器后的输出概率值，G（z）是隐变量通过生成器得到的生成图像，D（G（z））是生成图像通过鉴别器后的输出概率值。生成对

现代计算机 2020年18期2020-08-07

非平行文本下基于变分自编码器和辅助分类器生成对抗网络的语音转换

于ACGAN的鉴别器不仅能鉴别生成的频谱包络特征的真假，还能鉴别生成的频谱包络特征的类别，因此，生成的样本更加接近特定样本，从而进一步提升转换语音的质量.充分的主观和客观实验表明：本文提出的将ACGAN应用于语音转换领域，在有效改善合成语音质量的同时进一步提升了说话人个性的相似度，实现了高质量的语音转换.1 基于VAWGAN的语音转换基准方法针对C-VAE解码器输出趋于过平滑的问题，基于VAWGAN的语音转换框架利用WGAN提升了C-VAE的性能，VAW

复旦学报（自然科学版） 2020年3期2020-06-28

基于Msmall-Patch训练的夜晚单幅图像去雾算法——MP-CGAN

，其由生成器与鉴别器构成，将噪声输入生成器学习真实数据分布，鉴别器判断数据真假性，其缺点是生成不受控制。为解决GAN生成自由的问题，文献［17］提出条件生成对抗网络（Conditional Generated Adversarial Network，CGAN），将条件与噪声同时输入生成器，目标函数如式（1）所示:其中:x指输入图片，y指清晰图片，z指随机噪声。但CGAN会引入噪声，对此，文献［18］提出感知损失，即用已经训练好的深层神经网络提取图片高级特征

计算机应用 2020年3期2020-06-06

基于EBGAN的图像风格化技术

征当作条件输入鉴别器，控制输出样本的精确度，但是Chen等人[7]认为，该模型具有训练不稳定、难优化等问题，很难生成高分辨率图像。为了解决以上问题，chen等人使用了基于感知损失的直接回归目标，并产生了可以合成2048×1024图像的第一个模型，但是此网络模型在多样性上没有突破。对此，Zhu等人[8]提出了多尺度鉴别器的方法，在鉴别阶段，采用相同结构、尺度不同的3个鉴别器，用以鉴别不同分辨率的图像，在多样性方面，通过用户给出特征编码，作为加入生成器的条件，

计算机与现代化 2020年4期2020-04-23

基于GAN的医学图像仿真数据集生成算法

配对二同时送入鉴别器中，由鉴别器判断两个配对的相似程度.生成器和鉴别器在模型训练的过程中反复对抗，最终实现对“白化”区域中像素仿照肝脏肿瘤的灰度、纹理、形状进行填充，从而得到合成的有病变的肝脏CT图像数据.图1中，G表示生成器，D表示鉴别器，y表示原始图像，x表示对原始图像进行“白化”操作后得到的结果，G(x)表示生成器得到的结果.3)将配对后的图片送入生成对抗网络中训练.生成对抗网络中的生成器输入病变白化的图片，然后使生成的图片中白化区域被智能填充而其他

东北大学学报（自然科学版） 2020年3期2020-04-08

基于改进的GAN的局部遮挡人脸表情识别

了将GAN 的鉴别器由原来的二分类改为一个多分类器[8-9]，该模型可以实现半监督分类，但是由于前期修复模型是基于简单的GAN，所以修复效果不是很好，容易造成识别阶段识别率不高，甚至误判。针对上述方法的局限性，本文提出一种基于双鉴别网络的深度生成对抗网络模型，对遮挡人脸进行表情识别。模型前期通过生成器和两个鉴别器进行对抗学习，对遮挡图像进行修复，由于加入了局部鉴别器和全局鉴别器两个鉴别器，所以该模型在修复图像时能够在细节和全局上更好地恢复遮挡图像，使得修复

计算机工程与应用 2020年5期2020-03-11

卫星导航信号无模糊抗多径码相关参考波形设计技术*

线性组合构造码鉴别器。CCRW技术采用专门设计的闸波信号代替本地码，通过改变鉴相函数获得更优的多径抑制性能。窄相关与Double-Delta技术也可归于CCRW技术范畴。卫星导航接收机广泛采用DLL结构接收信号，通过本地生成的信号和接收到的卫星信号进行相关运算，实现伪码同步跟踪，因此相关运算生成的鉴别曲线形状决定了跟踪算法的性能[8]。文献[9]提出了一种对鉴别曲线人为赋形并求解本地多相关器组合的方法，并给出了BOC(1,1)信号的仿真结果，但未考虑带限情

国防科技大学学报 2019年4期2019-07-29

基于GAN的天文图像生成研究

生成器，一个是鉴别器。它的优点是能够让生成器和鉴别器在对抗中自动获得最优的结果。这种方法的核心是利用CNN的多层卷积对目标图像进行特征提取，然后根据目标图像的像素概率密度分布特点进行重构，再将重构图像与目标图像进行对比后不断调优[10-11]。GAN将图像生成技术带到了全新的高度，在GAN被提出之后，许多领域的图像生成模型都采用了GAN的基本结构并对其进行了各种各样的改进[12-20]。生成高分辨率的星系与恒星图像对预测未知恒星与星系，帮助人们了解宇宙有着

西北工业大学学报 2019年2期2019-05-15

GNSS导航信号的开环补偿多径抑制方法

旨在设计特殊的鉴别器,使之对多径信号不敏感,由于其计算复杂度较低,得到了广泛的应用。如窄相关技术把延迟锁定环路的早迟间隔由传统的1个伪码码片缩短到小于1个伪码码片,同时提高了接收信号的带宽,可以显著地降低多径的影响[10]。ELS技术根据存在多径信号时接收机中频信号与本地信号的相关函数两侧斜率不相等的现象,通过两组早迟相关器获得相关函数两侧的斜率,并计算出其交点,将交点所对应的横坐标作为多径误差的估计,返回给伪距计算以纠正该误差。文献[11]结合ELS技术

全球定位系统 2018年4期2018-10-09

对抗网络生成的艺术作品为何比人类艺术家更受欢迎？

设计为接收来自鉴别器的两个信号，作为两个相互矛盾的力量，以实现三点：1）生成新作品；2）新作品不应该太新，它不应该远离分布，否则会产生太多的唤醒，从而根据W undt曲线激活厌恶系统并落入负面特征范围；3）生成的作品应该增加风格的模糊性。类似于生成对抗网络（GAN），CAN具有两个对手网络，一个鉴别器和一个发生器。鉴别器可以使用与风格标签（文艺复兴、巴洛克风格、印象派、表现主义等）相关的大量艺术品，并使用它来学习区分风格。生成器无法访问任何艺术品，它从随机

机器人产业 2017年4期2017-08-09

阵列天线DOA跟踪环路鉴别器性能分析

DOA跟踪环路鉴别器性能分析关刚强，李柏渝，聂俊伟，王飞雪（国防科学技术大学电子科学与工程学院，湖南长沙 410073）网址：www.sys-ele.com利用阵列天线波束指向空间相关性的特点，可以构建一个类似于传统锁相环结构的闭合环路以实现对导航信号来波方向（direction of arrival，DOA）的跟踪。DOA跟踪环路中鉴别器的实现方法主要有实部相减相干法、幅值相减归一化法、功率相减归一化法，首先基于波束形成技术建立了阵列天线导航接收机DOA

系统工程与电子技术 2016年5期2016-11-02

基于训练特征空间分布的雷达地面目标鉴别器设计

的雷达地面目标鉴别器设计李龙刘峥*(西安电子科技大学雷达信号处理国家重点实验室西安 710071)该文对雷达地面目标高分辨1维距离像目标识别中的库外目标鉴别问题，提出一种基于训练特征空间分布的雷达地面目标鉴别器。在训练阶段利用基于相关系数预处理的K-Means聚类方法对库内目标样本特征空间进行区域划分，并采用基于空间分布的支撑向量域描述方法确定样本特征空间的边界与支撑向量，利用样本特征空间边界与加权K近邻原则对目标类别进行判决。该方法解决了库内目标

电子与信息学报 2016年4期2016-08-26

短延迟多径干扰下的跟踪环路鉴别器设计

扰下的跟踪环路鉴别器设计同 钊1,李兵兵1,惠永涛1,钟兴旺2,刘 浩1(1.西安电子科技大学综合业务网理论及关键技术国家重点实验室,陕西西安 710071; 2.中国空间技术研究院西安分院,陕西西安 710100)针对短延迟多径干扰影响下传统多径消除方法性能下降的问题,提出了一种跟踪环路鉴别器的构造方法.首先分析了短延迟多径下同相/正交超前、滞后与即时支路的输出特性,在此基础上构建出一种改进的超前支路;将环路鉴别器的输出定义为归一化超前减滞后功率型函数,

西安电子科技大学学报 2015年5期2015-07-24

基于自适应门限的脉冲宽度鉴别器的设计与实现

比较门限的脉宽鉴别器设计方法。通过高速模／数转换器（ADC）对输入的模拟信号进行连续采样，通过获取单次脉冲的最大采样幅值来确定本次采样脉冲的脉宽比较门限——最大采样值的一半，同时存储采样得到的所有数据。当本次信号采样结束后，将采样得到的所有数据与本次获取的脉宽比较门限比较，通过获取大于比较门限的连续采样点数确定本次脉冲的宽度。1 设计原理假设ADC采样速率为mMsps。雷达发出的询问信号的脉宽宽度τ：T1≤τ，其中T1为询问信号的最小脉宽宽度。待检测信号

舰船电子对抗 2014年4期2014-10-13

卫星导航信号波形畸变引起的码跟踪偏差

变波形的DLL鉴别器特性典型的GNSS接收机对距离的测量是通过DLL对接收信号的伪码跟踪来实现的。忽略导航数据信息的GNSS接收机信号模型为sR(t)=A·p(t-τ0)sin(2πf0t+φ0)+n(t).(2)式中:A为接收信号幅度;p(t-τ0)为导航卫星下播的伪码波形;τ0为传播时延;φ0为相位;f0为频率;n(t)为接收机噪声。射频估计误差忽略不计，经混频和滤波后，接收信号可表示为sR(t)=A·p(t-τ0)sinφ0+n(t).(3)当相关器

全球定位系统 2014年2期2014-08-21

基于FPGA的导航接收机跟踪环路设计与实现

通道调度,环路鉴别器计算和环路滤波等是在DSP或者ARM中实现。这样就导致了研发时间较长,研发过程也较为复杂。利用Xilinx公司提供的协处理器[2],实现环路的跟踪和通道的调度,在单片FPGA内实现导航接收机的跟踪环路,在不损失性能的基础上实现资源的优化。本文分析了导航接收机的设计和跟踪的基本原理,分析了载波环、码环的基本设计和环路鉴别器的算法性能分析,而后设计了基于FPGA的导航接收机跟踪环路,并在Xilinx公司的Virtex-4系列的XC4VSX5

全球定位系统 2014年5期2014-08-21

北斗系统信号NH码处理方法研究

LL可供使用的鉴别器算法有点积叉积法、叉积法、二相反正切法和四相反正切法［1］。由于四相反正切法无需计算信号幅度，且在低信噪比条件下也有较好的跟踪效果，因此应用最为广泛。这种鉴别器可以允许较大的捕获频率误差，但是对数据跳变敏感［4］，因此相邻的积分序列不应该存在频繁的比特跳变。对于数据比特率为50bit／s的GPS来说可以满足这项要求，因为比特翻转导致鉴别器受影响的可能性很低，FLL可以正常工作［5］；但是对于北斗系统 MEO／IGSO卫星信号，数据比特最

导航定位学报 2014年3期2014-01-10

基于小波的改进GPS弱信号跟踪方法

相差可通过环路鉴别器得出，相差经过滤波再反馈到数控振荡器（NCO），NCO以此来调整本地载波频率。图1 接收机载波跟踪环基本框图普通的PLL对180°相移敏感，而GPS接收机使用的是对180°相移不敏感的Costas环［7］，以应对GPS信号中的导航数据比特跳变。其框图如图2所示。图2 载波跟踪Costas环在锁定状态的时候，信号将全部集中在同相（I）支路。若本地码相位精确对齐，则有同相支路I相乘结果正交支路Q相乘结果式中，φ即为输入与本地载波的相差。若相

通信电源技术 2013年3期2013-09-25

伽利略导航卫星E1 B伪码跟踪技术研究

中的无模糊跟踪鉴别器算法的参数推导仿真和利用此算法参数设计的伽利略接收机将在接下来的章节中被着重介绍。2 伽利略E1信号E1信号由E1-B和E1-C信号组成。如图1所示。图1中S1表示E1-B码子载波a和E1-B码子载波b分别乘以系数然后相加，S2表示E1-C码子载波a和E1-C码子载波b分别乘以系数然后相减。伽利略在E1频点上采用BOC调制方式。BOC调制方式使Galileo的信号与GPS的L1 BPSK信号避免了相互干扰，同时有着良好的抗多径特性。BO

微处理机 2012年2期2012-07-25

一种新的BOC调制无模糊跟踪鉴别器设计

峰值,从而使得鉴别器曲线存在错误锁定点,增加这种信号的捕获难度和错误跟踪的可能性。用于BOC调制的无模糊捕获方法,如BPSK-like方法[2]、副载波相位消除技术(Sub Carrier Phase Cancellation)[3]等,同样可以用于无模糊跟踪。BPSK-like方法相关函数的计算会造成3 dB的信噪比损失;副载波相位消除技术则需要两个通道平方相加,从而造成平方损耗。从建立码跟踪延迟锁定环数学模型出发,详述了BOC调制信号的跟踪模糊问题,基

全球定位系统 2010年5期2010-08-29