基于姿态引导的人物图像生成算法研究
发布时间：2021-03-24 21:19
姿态引导人物图像生成模型研究的核心内容是为同一幅图像中的人物更换预期的姿势,通过利用预期的姿势完成人物图像再创作的过程。姿态引导人物图像生成模型在计算机视觉领域中是一个比较有挑战性的课题,在研究工作中存在诸多的难点,例如,通过目前的人物图像生成模型合成的人物图像普遍存在糊化、纹理缺失等问题,甚至有些模型会生成姿态关键点严重错位的人物图像。近来随着人体姿态估计技术的不断发展,以及深度卷积神经网络和生成式对抗网络被成功地应用于人物图像生成任务,人物图像生成工作已经取得一些显著成果,而本文则是基于目前研究的基础上进一步改进并提出新的研究方案,以改善目前姿态引导人物图像生成工作中的某些问题,本文的主要研究任务包括以下内容:1)利用深度卷积神经网络能够学习人物图像的抽象语义表示能力,研究这种语义内容与卷积神经网络中图像特征的相关性,通过使用图像的语义内容和特性改善人物图像生成工作中存在的人物外观细节缺失等问题。2)通过融合、改进可变形GAN模型和注意转移网络为姿态引导人物图像生成工作提供了另一种生成器结构模型,该模型中的注意转移网络利用一系列的中间姿势将条件人物图像姿势逐步转移至目标人物图像姿势...
【文章来源】：江西理工大学江西省
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 本文研究内容
1.4 章节安排
第二章 姿态引导人物图像生成的相关研究
2.1 卷积神经网络的基本特点
2.2 卷积神经网络的基本原理
2.2.1 卷积层的原理
2.2.2 池化层的原理
2.2.3 全连接层
2.2.4 卷积神经网络的应用
2.3 生成式对抗网络
2.3.1 生成式对抗网络的基本原理
2.3.2 GAN的生成器（G）和鉴别器（D）
2.3.3 生成式对抗网络的应用
2.4 人体姿态估计
2.4.1 人体姿态估计的基本概念与分类
2.4.2 人体姿态估计的研究方法
2.4.3 人体姿态估计的应用
2.5 本章小结
第三章 基于注意转移网络的姿态引导人物图像生成实例研究
3.1 相关研究方案分析
3.1.1 可变形的跳连接
3.1.2 最近邻损失
3.2 基于注意力机制的姿态引导图像生成模型
3.2.1 姿势注意转移网络
3.2.2 训练
3.3 实验结果及分析
3.3.1 数据集
3.3.2 定性分析
3.3.3 定量分析
3.4 本章小结
第四章 融合特征反馈的姿态引导图像生成模型
4.1 模型方法
4.2 网络结构与训练
4.2.1 姿态集成阶段
4.2.2 图像细化阶段
4.2.3 Vgg19提取特征信息阶段
4.2.4 掩模和各阶段损失
4.2.5 鉴别器D
4.3 实验结果及分析
4.3.1 数据集
4.3.2 定性分析
4.3.3 定量分析
4.4 验证采集的图像
4.5 本章小结
第五章 总结与展望
5.1 工作总结
5.2 工作展望
参考文献
致谢
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]多尺度卷积神经网络的头部姿态估计[J]. 梁令羽,张天天,何为. 激光与光电子学进展. 2019(13)
[2]生成式对抗网络研究综述[J]. 徐松林. 电脑知识与技术. 2019(03)
[3]基于U-Net卷积神经网络的纳米颗粒分割[J]. 张芳,吴玥,肖志涛,耿磊,吴骏,刘彦北,王雯. 激光与光电子学进展. 2019(06)
[4]基于深度学习的图像风格迁移研究综述[J]. 陈淑環,韦玉科,徐乐,董晓华,温坤哲. 计算机应用研究. 2019(08)
[5]基于Retinex增强的单幅LDR图像生成HDR图像方法[J]. 张淑芳,刘孟娅,韩泽欣,郭志鹏. 计算机辅助设计与图形学学报. 2018(06)
[6]人工智能研究的新前线:生成式对抗网络[J]. 林懿伦,戴星原,李力,王晓,王飞跃. 自动化学报. 2018(05)
[7]基于条件深度卷积生成对抗网络的图像识别方法[J]. 唐贤伦,杜一铭,刘雨微,李佳歆,马艺玮. 自动化学报. 2018(05)
[8]基于反卷积特征提取的深度卷积神经网络学习[J]. 吕恩辉,王雪松,程玉虎. 控制与决策. 2018(03)
[9]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃. 自动化学报. 2017(03)
[10]改进的基于卷积神经网络的图像超分辨率算法[J]. 肖进胜,刘恩雨,朱力,雷俊锋. 光学学报. 2017(03)
硕士论文
[1]深度卷积神经网络及其在手写体汉字识别中的应用研究[D]. 郭鹏.四川师范大学 2016
[2]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3098413
【文章来源】：江西理工大学江西省
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 本文研究内容
1.4 章节安排
第二章 姿态引导人物图像生成的相关研究
2.1 卷积神经网络的基本特点
2.2 卷积神经网络的基本原理
2.2.1 卷积层的原理
2.2.2 池化层的原理
2.2.3 全连接层
2.2.4 卷积神经网络的应用
2.3 生成式对抗网络
2.3.1 生成式对抗网络的基本原理
2.3.2 GAN的生成器（G）和鉴别器（D）
2.3.3 生成式对抗网络的应用
2.4 人体姿态估计
2.4.1 人体姿态估计的基本概念与分类
2.4.2 人体姿态估计的研究方法
2.4.3 人体姿态估计的应用
2.5 本章小结
第三章 基于注意转移网络的姿态引导人物图像生成实例研究
3.1 相关研究方案分析
3.1.1 可变形的跳连接
3.1.2 最近邻损失
3.2 基于注意力机制的姿态引导图像生成模型
3.2.1 姿势注意转移网络
3.2.2 训练
3.3 实验结果及分析
3.3.1 数据集
3.3.2 定性分析
3.3.3 定量分析
3.4 本章小结
第四章 融合特征反馈的姿态引导图像生成模型
4.1 模型方法
4.2 网络结构与训练
4.2.1 姿态集成阶段
4.2.2 图像细化阶段
4.2.3 Vgg19提取特征信息阶段
4.2.4 掩模和各阶段损失
4.2.5 鉴别器D
4.3 实验结果及分析
4.3.1 数据集
4.3.2 定性分析
4.3.3 定量分析
4.4 验证采集的图像
4.5 本章小结
第五章 总结与展望
5.1 工作总结
5.2 工作展望
参考文献
致谢
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]多尺度卷积神经网络的头部姿态估计[J]. 梁令羽,张天天,何为. 激光与光电子学进展. 2019(13)
[2]生成式对抗网络研究综述[J]. 徐松林. 电脑知识与技术. 2019(03)
[3]基于U-Net卷积神经网络的纳米颗粒分割[J]. 张芳,吴玥,肖志涛,耿磊,吴骏,刘彦北,王雯. 激光与光电子学进展. 2019(06)
[4]基于深度学习的图像风格迁移研究综述[J]. 陈淑環,韦玉科,徐乐,董晓华,温坤哲. 计算机应用研究. 2019(08)
[5]基于Retinex增强的单幅LDR图像生成HDR图像方法[J]. 张淑芳,刘孟娅,韩泽欣,郭志鹏. 计算机辅助设计与图形学学报. 2018(06)
[6]人工智能研究的新前线:生成式对抗网络[J]. 林懿伦,戴星原,李力,王晓,王飞跃. 自动化学报. 2018(05)
[7]基于条件深度卷积生成对抗网络的图像识别方法[J]. 唐贤伦,杜一铭,刘雨微,李佳歆,马艺玮. 自动化学报. 2018(05)
[8]基于反卷积特征提取的深度卷积神经网络学习[J]. 吕恩辉,王雪松,程玉虎. 控制与决策. 2018(03)
[9]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃. 自动化学报. 2017(03)
[10]改进的基于卷积神经网络的图像超分辨率算法[J]. 肖进胜,刘恩雨,朱力,雷俊锋. 光学学报. 2017(03)
硕士论文
[1]深度卷积神经网络及其在手写体汉字识别中的应用研究[D]. 郭鹏.四川师范大学 2016
[2]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3098413
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3098413.html
