基于深度学习的风格迁移算法的改进与实现研究

发布时间：2021-02-20 02:58

　　人工智能的第三次热潮源于深度学习的兴起,从计算机视觉到无人驾驶技术,深度学习技术被研究者们应用到了数以百计的现实问题中。特别是在图像处理领域中,人工智能与神经艺术的碰撞,引起了相关技术领域与艺术领域专家学者们的关注,这一技术将改变人们对图像处理的方式。风格迁移是指运用深度学习技术将一幅内容图像的内容信息在不变的情况下学习一幅或多幅风格图像的风格、色彩、明暗等元素,从而生成具有某种著名画作风格的一类图像。依据目前的研究状况分析,运用深度学习技术实现图像风格化还存在很多不足之处,例如,在图像风格化后,图像的内容信息存在轮廓不清楚、色彩混淆、内容细节处理不好等问题,图像的风格信息存在纹理细节失真、笔触形状不清晰等问题。为了解决存在的上述问题,所以本文对图像风格迁移技术进行了有关研究,具体内容如下:（1）图像风格迁移算法改进与实现。首先,调整图像风格化样式权重、迭代次数、池化方法、目标优化算法等,实验确定基于VGG-19网络的图像风格化的网络超参数,然后,选择卷积层内容特征融合、风格特征融合的方法,实验观察不同融合方法对图像风格化效果的影响,最后,对改进的求和平均特征风格迁移算法进行实验研究。... 

【文章来源】：曲阜师范大学山东省

【文章页数】：52 页

【学位级别】：硕士

【部分图文】：

风格迁移示例图

第2章基础理论5第2章基础理论2.1神经网络发展历程神经网络是一种类似于模拟人脑的神经网络，以期能够实现类人工智能的机器学习技术[24]。人脑中的神经网络是一个非常复杂且庞大的组织，成人的大脑中大约有1000亿个神经元之多，如图2-1所示。神经网络的发展大致历经两个阶段，浅层神经网络阶段和深度学习阶段，以2006年为分割点[25]。图2-1人脑神经元2.1.1浅层神经网络1904年生物学家就已经知晓了细胞神经元的组成结构及信息传递的方式，如图2-2所示，一个神经元由细胞核、树突、轴突、轴突末梢组成，它的运行机理：细胞核是控制中心，控制着整个细胞的运行，树突是接收信息的细胞神经元组织，轴突是输送信息的细胞神经元组织，而轴突末梢是与其他神经元的树突产生连接，从而传递信号的细胞神经元组织。图2-2生物神经元结构著名的心理学家McCulloch和数学家Pitts受到生物神经元结构的启发，在1943年提出了最早的MP神经元数学模型。如图2-3所示，数学原理为，表示输入信号，表示权值，Σ表示求和，表示膜电位，表示阈值，表示输出信号。模型通过的值来完成输出值的预测，如果≥，输出为1；如果<，输出为0，可以看出，MP神经元模型并没有学习能力，只能完成固定逻辑的判定，但MP神经元模型奠定了神经网络发展的

第2章基础理论5第2章基础理论2.1神经网络发展历程神经网络是一种类似于模拟人脑的神经网络，以期能够实现类人工智能的机器学习技术[24]。人脑中的神经网络是一个非常复杂且庞大的组织，成人的大脑中大约有1000亿个神经元之多，如图2-1所示。神经网络的发展大致历经两个阶段，浅层神经网络阶段和深度学习阶段，以2006年为分割点[25]。图2-1人脑神经元2.1.1浅层神经网络1904年生物学家就已经知晓了细胞神经元的组成结构及信息传递的方式，如图2-2所示，一个神经元由细胞核、树突、轴突、轴突末梢组成，它的运行机理：细胞核是控制中心，控制着整个细胞的运行，树突是接收信息的细胞神经元组织，轴突是输送信息的细胞神经元组织，而轴突末梢是与其他神经元的树突产生连接，从而传递信号的细胞神经元组织。图2-2生物神经元结构著名的心理学家McCulloch和数学家Pitts受到生物神经元结构的启发，在1943年提出了最早的MP神经元数学模型。如图2-3所示，数学原理为，表示输入信号，表示权值，Σ表示求和，表示膜电位，表示阈值，表示输出信号。模型通过的值来完成输出值的预测，如果≥，输出为1；如果<，输出为0，可以看出，MP神经元模型并没有学习能力，只能完成固定逻辑的判定，但MP神经元模型奠定了神经网络发展的

【参考文献】：
期刊论文
[1]非真实感绘制技术的研究[J]. 桂斌.  微计算机信息. 2008(15)

硕士论文
[1]基于深度学习的漫画风格迁移方法研究[D]. 武筱琪.西安理工大学 2019
[2]基于深度学习的室内场景识别与标注研究[D]. 李靖靖.曲阜师范大学 2019
[3]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014



本文编号：3042115