Skip-cycleGAN:一种果园苹果异源图像配准模型

来源：计算机技术与发展杂志2024年第07期北京时间：

作者：何亚鹏;刘立群

摘要：针对有监督的配准模型的性能受限于给定的标签以及循环一致性生成对抗网络训练不稳定,收敛速度较慢,易过拟合,对复杂场景的图像处理效果不佳的问题,基于循环一致性生成对抗网络从 3 个方面(生成器、鉴别器和损失函数)进行改进,提出一种无监督的异源图像配准模型。 生成网络的下采样与上采样之间引入带有特征转换残差层的跳跃连接,可以确保梯度的有效传递,减少前向与反向传播过程中信息损失,实现低级特征和高级特征的结合,从而缓解梯度消失和梯度爆炸,促进神经网络的收敛,有助于网络学习更多的上下文信息。 在一个自建果园苹果数据集和两个公共数据集上对模型进行评估,实验得出在改进后的生成器基础上,对于形变比较大的数据集选取 70×70 PatchGAN 鉴别器更合适,对于形变比较小的数据集选取 PixelGAN 鉴别器更合适。 与 8 个经典算法进行对比,用 6 个性能指标进行评估,实验结果表明该模型在异源果园苹果数据集上的综合表现优于对比算法。 未来将提升模型对异源图像亮度和对比度的鲁棒性,并进行轻量化模型的工作。

关键词：图像配准;异源图像;生成对抗网络;跳跃连接;岭回归损失