生成对抗网络（Generative Adversarial Networks，GAN）是近年来计算机视觉领域的重要研究方向之一。在农业领域，越来越多的研究离不开大量植物叶片数据的支持。本文利用生成对抗网络，实现了植物叶片图像的生成。首先，根据传统深度卷积生成对抗网络(DCGAN)的原理，实现3种植物叶片数据集在传统DCGAN上的生成。根据实验效果，应用SRGAN对DCGAN的生成图像进行处理，进一步提高图像生成效果。同时应用WGAN和改进DCGAN模型在植物叶片数据集上进行试验，并取得了良好的效果。最后，分析比较不同GAN模型生成植物叶片图像的效果。
目录
摘要 1
关键词 1
Abstract. 1
Key words 1
1 绪论 1
1.1 课题背景 1
1.2 国内外研究现状 1
1.3 应用前景 2
1.4 本文主要工作 2
2 GAN的相关技术 3
2.1 GAN的基本概念 3
2.2 GAN的改进模型 4
2.2.1 DCGAN 4
2.2.2 WGAN 5
2.2.3 SRGAN 5
3 基于DCGAN及SRGAN的植物叶片图像生成 6
3.1 实验数据集 6
3.2 实验模型 7
3.2.1 网络框架 7
3.2.2 损失函数 8
3.2.3 训练过程 8
3.3 基于DCGAN的实验结果分析 9
3.4 基于DCGAN及SRGAN的实验结果分析 14
3.5 实验结论 15
4 基于改进DCGAN的植物叶片图像生成 16
4.1 实验模型 16
4.1.1 网络框架 16
4.1.2 训练过程 16
4.2 基于改进DCGAN的实验结果分析 17
4.3 实验结论 22
5 基于WGAN的植物叶片图像生成 22
5.1 实验模型 22
 *景先生毕设|www.jxszl.com +Q: ￥351916072￥ 
5.1.1 网络框架 22
5.1.2 本实验WGAN与DCGAN的区别 23
5.1.3 训练过程 23
5.2 基于WGAN的实验结果分析 24
5.3 实验结果结论 29
5.4 不同GAN模型比较分析 29
6 总结与展望 31
6.1 总结 31
6.2 展望 31
致谢 32
参考文献 32
基于生成对抗网络的植物叶片图像生成
引言
1 绪论
1.1 课题背景
近年来，深度学习飞速发展，在深度学习领域，生成对抗网络（Generative Adversarial Networks, GAN）的研究已经成为众多学者的重要研究方向之一[1]。生成对抗网络作为一种新的生成式网络模型，它能够有效的解决数据生成的难题，特别是在数据集稀缺的高维数据领域。目前，GAN已经衍生出多种不同结构的变型结构，并应用在众多领域当中。GAN当前在计算机视觉和图像领域的应用最为广泛，它除了能够生成特定目标的数据集来弥补数据匮乏的缺陷以外，GAN在超分辨率图像生成、图像翻译、风格迁移、文本生成图像等领域都有着出色的表现。
在农业领域，众多研究课题离不开大量植物叶片数据的支持，比如：植物叶片的分类、叶片病虫害检测等。然而现有的单一种类的植物叶片数据数量往往不足以支持复杂的实验，尤其是稀有植物叶片。由于GAN在生成图像方面的优势，生成对抗网络在农业领域的应用将成为一个新的研究方向。
1.2 国内外研究现状
生成对抗网络源于博弈论中的二人零和博弈，是OpenAI的Goodfellow[2]等人在2014年提出的一种深度学习模型。在GAN随后的发展过程中一个关键转折点是Radford[3]等人提出的深度卷积生成对抗网络（Deep Convolution Generative Adversarial Networks，DCGAN），DCGAN很好地将卷积层与GAN相结合，极大提升了图像的生成效果，使得后来的许多研究均以DCGAN的模型架构为基础。因为GAN模型在训练中表现过于自由，学者们提出了条件生成对抗网络（Conditional Generative Adversarial Nets，CGAN）[4]，CGAN提出了一种带约束的GAN结构，在模型中引入条件变量指导生成过程，显示了网络整合数据的类标签能力，从而使GAN训练更加稳定。CycleGAN[5]不同于其他GAN模型，其主要研究的内容为imagetoimage的转换问题，而不是随机向量的图像生成，以其损失函数的高效性及CycleGAN训练的稳定性，CycleGAN实现了很多有趣的应用，如：风格迁移中将白猫变为花猫[6]。目前常用的GAN的变型网络达90余种，并应用于多种深度学习的主流研究课题中。
除了GAN在模型上的不断改进，其应用的方向也在不断发展。近年来，GAN在计算机图像和视觉的领域的研究最为广泛，现有的技术已经可以实现清晰地生成特定目标的图像，如：生活场景类图像等，也可以用于实现超分辨率图像的生成、图像分割、视频预测、风格迁移、图像翻译、图像复原等方向[7]。
虽然生成对抗网络在实践中取得了理想的效果，但在理论中仍然有一些需要解决的难题，比如：大部分生成对抗网络模型缺乏稳健而有一致性的评判指标、生成图片的分辨率有限、网络训练对参数配置敏感、难以生成高清图像、训练不稳定等问题[8]。因此，如何构建一个训练容易、能够生成高分辨率、高质量图像的网络是未来主要值得深入研究的课题。
目前，深度学习在植物图像领域的应用多以植物图像数据为基础，以此开展相关研究，如：植物叶片图像识别、叶片图像分割、植物病虫害检测等。因此，有关植物叶片图像生成的研究较少，基于深度学习的植物叶片图像生成的研究同样处于发展阶段。随着当前研究对数据需求的成倍增长，生成对抗网络在植物叶片图像生成方向上的应用将会引起广泛的关注。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/563919.html