【CN110222837A】一种基于CycleGAN的图片训练的网络结构ArcGAN及方法【专利】.docxVIP

(19)中华人民共和国国家知识产权局 (10 )申请公布号 CN 110222837 A( 43 )申请公布日 (10 )申请公布号 CN 110222837 A ( 43 )申请公布日 2019.09.10 ( 21 )申请号 201910350757 .6 ( 22)申请日 2019 .04 .28 (71 )申请人 天津大学 地址 300072 天津市南开区卫津路92号 (72)发明人 蒋涵 陶文源 孙倩 (74 )专利代理机构 天津市北洋有限责任专利代 理事务所 12201 代理人 刘子文 ( 51 )Int .Cl . G06N 3/08( 2006 .01 ) G06N 3/04( 2006 .01 ) 权利要求书1页 说明书6页 附图6页 权利要求书1页 说明书6页 附图6页 ( 54 )发明名称 一种基于CycleGAN的图片训练的网络结构 ArcGAN及方法 ( 57 )摘要 CN 110222837 A本发明公开一种基于CycleGAN的图片训练的网络结构ArcGAN及方法，网络结构ArcGAN由生成器和双鉴别器组成，双鉴别器包括粗糙鉴别器和精细鉴别器；编码器包括一个输入层和三个下采样卷积层，每个下采样卷积层后接两个和输入层结构一样的平卷积层；转换器包括五个没有池化层的密集卷积块，每块包含五个带有瓶颈层的密集卷积层，块与块之间设有压缩层；解码器包括三个上采样反卷积层和一个输出层，每个上采样反卷积层后接两个和输入层结构一样的平卷积层；编码器中的每层下采样和与之对应的解码器中的上采样进行复制式连接。粗糙鉴别器用于处理高层视觉信息，由六层下采样层和一个输出层构成；精细鉴别器和粗糙鉴别器计算的损失相结合，与生成器共同完成对抗一致性训练。 CN 110222837 A 2 PAGE 10 2 PAGE 10 CN 110222837 A权 利 要 求 书 1/1 页 CN 110222837 A 1 .一种基于CycleGAN的图片训练的网络结构ArcGAN，CycleGAN网络架构由两个卷积神经网络(CNN)组成，一个是生成器，用以被训练以产生欺骗鉴别器的输出；另一个是鉴别器， 用于对图像来自真实目标还是合成图像进行分类；生成器包括编码器、转换器和解码器，编码器是一个输入层和两个下采样卷积层，转换器是九块残差卷积层，解码器是两个上采样反卷积层以及一个输出层；其特征在于，所述网络结构ArcGAN由生成器和双鉴别器组成，所述双鉴别器包括粗糙鉴别器和精细鉴别器； 所述网络结构ArcGAN的生成器中的编码器包括一个输入层和三个下采样卷积层，每个下采样卷积层后接两个和输入层结构一样的平卷积层；转换器包括五个没有池化层的密集卷积块，每块包含五个带有瓶颈层的密集卷积层，块与块之间设有压缩层；解码器包括三个上采样反卷积层和一个输出层，每个上采样反卷积层后接两个和输入层结构一样的平卷积层；编码器中的每层下采样和与之对应的解码器中的上采样进行复制式连接。 所述粗糙鉴别器用于处理高层视觉信息，由六层下采样层和一个输出层构成；精细鉴别器由四层下采样和一个最终层构成；精细鉴别器和粗糙鉴别器计算的损失相结合，与生成器共同完成对抗一致性训练。 2 .一种基于深度神经网络的线条建筑自动上色的方法，基于权利要求1所述的网络结构ArcGAN，其特征在于，包括以下步骤： (1)制作训练集； (2)将训练集转化成所需格式； (3)训练网络； (4)导出模型； (5)制作测试集； (6)调用网络，给测试集着色，得到相应结果。 说明书CN 110222837 A1/6 页 说 明 书 CN 110222837 A 1/6 页 一种基于CycleGAN的图片训练的网络结构ArcGAN及方法 技术领域 [0001] 本发明主要涉及深度学习和图像处理领域，尤其涉及一种基于CycleGAN的图片训练的 网络结构ArcGAN及线条建筑自动上色的方法。 背景技术 [0002] 自20世纪90年代中期以来，有大量的研究探索如何自动将图像转化为带有特殊风格的 合成艺术品。Gatys等人的开创性工作展示了卷积神经网络(CNN)通过分离和重组图像内容和 风格来创造艺术意象的力量[2]。使用CNN呈现不同风格的内容图像的过程称为神经风格迁移 (NST)。从那时起，NST成为学术界和工业界的热门话题，它正受到越来越多的关注，并提 出了各种改进或扩展原始NST算法的方法。[0003] 深度神经网络是最近使用最多、效果最好、效率最高的方法。最近对生成对抗网络(GAN) [3 ,4]的研究在广泛的图像合成应用中取得了巨大的成功，包括盲运动去模糊[5 ,6]，高 分辨率图像 合成[7 ,8]，光现实超分辨率[9]和图