1 吉林大学, 超硬材料国家重点实验室, 长春 130012
2 吉林大学, 计算方法与软件国际中心, 长春 130012
3 吉林大学, 未来科学国际合作联合实验室, 长春 130012
理论晶体结构预测可以在给定化学组分的条件下确定材料的晶体结构, 已成为材料科学研究的重要工具。然而, 该方法一直面临计算成本高的瓶颈问题。近年来, 新兴机器学习方法在传统科学计算上展现了广阔的应用前景, 逐渐被引入到晶体结构预测领域。本文主要讨论机器学习方法在理论晶体结构预测领域的最新研究进展, 分别从加速晶体结构的能量计算和势能面的探索两个方面介绍领域的最新成果, 并对未来研究可能的发展提出抛砖引玉的见解。
机器学习 晶体结构预测 机器学习势 生成模型 machine learning crystal structure prediction machine learning potential generative model
无透镜成像受到同轴全息图中孪生像噪声的影响，一直面临着重建信噪比差和成像分辨率低的问题。针对该问题，本文提出一种基于分数匹配生成模型的无透镜成像方法。在训练阶段，通过连续随机微分方程（Stochastic Differential Equation， SDE）缓慢添加高斯噪声扰动数据分布，然后训练具有去噪分数匹配的连续时间相关的分数函数，用于求解反向SDE生成目标样本数据。在测试阶段，使用单张菲涅尔波带片作为掩膜，在非相干光照明下实现无透镜编码调制，然后使用预测-校正的方法在数值求解器SDE和数据保真项步骤之间轮换更新进行图像重建。在LSUN-bedroom和LSUN-church数据集上的验证结果表明，提出的算法能够有效消除孪生像噪声，峰值信噪比和结构相似性分别可达25.23 dB和0.65。与传统的基于反向传播和基于压缩感知的无透镜成像结果相比，峰值信噪比分别提高17.49 dB、7.16 dB，结构相似度分别提高0.42、0.35，从而实现图像重建质量的有效提升。
无透镜成像 编码成像 生成模型 图像重建 lens-less imaging encoding imaging generative model image reconstruction 光学 精密工程
2022, 30(18): 2280
光子学报
2021, 50(11): 1110004
国防科技大学电子对抗学院脉冲功率激光技术国家重点实验室, 安徽 合肥 230009
针对小样本条件下遥感图像目标的检测精度受到卷积神经网络过拟合影响的问题,提出一种基于生成对抗网络的数据增强方法,利用判别模型为生成模型同时提供图像的局部决策与全局决策,以提高生成模型生成图像的质量,并将生成的目标与训练集图像进行融合得到新的样本,且新生成的样本不需人工标注。实验结果表明,在原始数据中加入生成数据后,检测识别精度有所提高,且本文方法与基于图像仿射变换的数据增强方法的叠加使用进一步提高了数据增强的效果。
图像处理 数据增强 生成对抗网络 判别模型 生成模型 激光与光电子学进展
2021, 58(8): 0810022
1 中国科学院长春光学精密机械与物理研究所, 吉林 长春 130033
2 中国第一汽车集团有限公司研发总院, 吉林 长春 130013
针对连续域卷积操作跟踪算法中存在的计算复杂问题和过拟合问题, 提出一种降维卷积因式分解方法和一个紧凑衍生模型。本文选取连续域卷积操作跟踪算法中的部分特征通道、因式分解卷积算子, 并结合高斯-牛顿法和共轭梯度迭代求取降维矩阵和分类器, 以达到降低系统的计算复杂程度的目的。选取服从高斯分布的若干样本, 结合联和概率密度函数及混合高斯分布模型, 构建一个更具代表性的紧凑衍生模型, 既能降低过拟合出现的风险又能保证样本的多样性。通过降低模型更新频率, 减少计算复杂度, 同时降低模型漂移发生的概率。经实验验证, 本文基于四类标准数据集获得的跟踪性能曲线积分比连续域卷积操作跟踪算法最少高出0.8%, 最多高出13%。结果表明, 降维卷积因式分解法和紧凑衍生模型可以有效地提升系统跟踪性能。
连续域卷积操作 卷积因式分解 过拟合 紧凑衍生模型 C-COT factorized convolution over-fitting compact generative model
1 东北大学 信息科学与工程学院, 辽宁 沈阳 110000
2 中国科学院沈阳自动化研究所 机器人学国家重点实验室, 辽宁 沈阳 110000
纹理合成是计算机图形学、计算机视觉和图像处理领域的研究热点之一。传统的纹理合成方法往往通过提取有效的特征样式或统计量并在该特征信息的约束下生成随机图像来实现。对抗生成网络作为一种较新的深度网络形式, 通过生成器和判别器的对抗训练能够随机生成与观测数据具有相同分布的新数据。鉴于此, 提出了一种基于对抗生成网络的纹理合成方法。该算法的优点是不需要经过多次迭代就能够生成更真实纹理图像, 且生成图像在视觉上与观测纹理图像一致的同时具有一定随机性。一系列针对随机纹理和结构性纹理的合成实验验证了该算法的有效性。
纹理合成 深度学习 生成模型 对抗生成网络 texture synthesis deep learning generative model generative adversarial networks 红外与激光工程
2018, 47(2): 0203005
