买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福州大学

摘要：本发明涉及一种基于自适应层实例归一化GAN的演唱会拍摄方法。可以改善由于光线问题造成图像质量不佳的情况。U‑GAT‑IT的网络采用cycle‑gan的形式，不需要成对的数据，它将注意力机制引入生成器和判别器，此外在生成器的解码阶段采用自适应的ILN层AdaptiveILN‑adaptiveinstance‑layernormalization，即AdaLIN函数，这两个创新点使得U‑GAT‑IT能够实现鲁棒下的图像转换。本发明能够解决演唱会现场舞台光线过亮、观众席光线过暗导致拍摄影像的过曝和欠爆问题。

主权项：1.一种基于自适应层实例归一化GAN的演唱会拍摄方法，其特征在于，包括如下步骤：步骤S1、分别采集演唱会舞台现场处于两种曝光强度下的、成像效果差的图像和视频数据集；步骤S2、搭建自适应层实例归一化的无监督生成对抗网络UGATIT网络模型，确定模型参数，神经网络的损失函数，将模型性能优化至最佳；步骤S3、根据训练结果，优化UGATIT网络模型，减小冗余度；步骤S4、使用设置好参数的专业相机和变焦镜头，以此获得画质较好的影像，提高UGATIT图像转换的效果，最大限度地发挥UGATIT网络模型的性能；所述步骤S2具体实现如下：步骤S21、UGATIT网络模型的生成器采用新的注意力机制，即采用全局和平均池化下的类激活图CAM来实现；在PositionAttentionModule中，通过UGATIT网络的encode编码阶段得到的特征图Ac×H×W，特征图首先通过卷积层得到3个特征图B，C，D，然后reshape为c×N，其中N＝H×W，之后将reshape后的B的转置与reshape后的C相乘再通过softmax得到spatialattentionmapSN×N，接着把S的转置与D做乘积再乘以尺度系数a再reshape为原来形状，最后与A相加得到最后的输出E；其中A初始化为0，并逐渐的学习分配到更大的权重；E的每个位置的值是原始特征每个位置的加权求和得到的；步骤S22、UGATIT网络模型采用的新的正则化方式，即自适应图层实例归一化AdaLIN，它是将自适应layernorm与instancenorm结合起来；首先IN和LN的归一化公式如下： 然后将IN和LN的归一化公式合并得到AdaLIN的归一化公式： 最后，为防止AdaLIN的学习参数超出[0，1]的范围，对参数进行了区间裁剪：ρ←clip[0，1]ρ-τΔρ步骤S23、UGATIT网络模型采用的判别器采用条件概率判别模型，即基于统计特性的判别方法，通过训练图像的特征获得条件概率分布，即样本x属于类别y的py|x概率分布，随后输入图像的特征属于各个类别的条件概率，概率最大的那个类别就是该图像所属的类别；U-GATIT网络模型的判别器采用全局判别器和局部判别器的结合，通过extend将全局判别器和局部判别器的结果进行连接；所述步骤S3具体实现如下：步骤S31、UGATIT网络模型对于图像到图像转换的损失函数有四个，包括对抗损失、循环一致性损失、身份损失、CAM损失即交叉熵损失；步骤S32、去除UGATIT网络模型的cycle部分，将UGATIT网络模型简化成一个生成器和一个判别器配套使用；步骤S33、根据训练的结果调整特征值的权重，在UGATIT网络模型中，生成器G用ReLU做激活，判别器D用LeakyReLUslope＝0.2激活；训练时，对lr前500个iterations固定1e-4，然后线性衰减，共1000k个iterations，对权重的正则化项系数取0.02；所述步骤S4具体实现如下：步骤S41、选用高感好的单反相机，提高感光度，增强进光量来缩短快门时间去凝固舞蹈动作的瞬间性；步骤S42、根据摄影席距离舞台中区的距离来决定变焦镜头选择的焦段，采用两只变焦镜头配合拍摄，选择70mm-200mm镜头拍摄演出，同时配合24mm-70mm镜头拍摄花絮；步骤S43、设置相机的参数来获取理想的曝光，快门不低于320，ISO平衡在2000左右，使用大光圈来求得最大进光量，使用RAW格式，采取点测光看曝光卡尺，开启自动白平衡。

全文数据：

权利要求：

百度查询： 福州大学 一种基于自适应层实例归一化GAN的演唱会拍摄方法