需要金币： 1000 个金币 |
资料包括：完整论文 |  |
 |
| 转换比率：金额 X 10=金币数量， 例100元=1000金币 | 论文字数：14021 |  | |
| 折扣与优惠：团购最低可5折优惠 - 了解详情 | 论文格式：Word格式(*.docx) |  |
摘 要
近年来，随着深度学习领域研究深入，基于神经网络的任意风格迁移和模型建立得到了众多学者关注，并发展为机器视觉学科下的核心研究之一。当前人工智能环境下的图像风格迁移算法主要分成两大模块：基于卷积神经网络(Convolutional Neural Networks CNN)特征提取的风格迁移和建立在生成式对抗网络(Generative Adversarial Networks GAN)上,利用生成器-鉴别器模式的风格迁移。本文应用生成式对抗网络模型对风景图像进行基于绘画风的风格迁移，并在原始模型的基础上通过改良显著提高了迁移效果。算法网络结构基于CycleGAN，相比于现有模型，CycleGAN迁移图像质量更高，并且经过训练后可灵活将输入图像转换到所需目标域。本研究从实验上证明了算法在莫奈、梵高、塞尚油画风格以及浮世汇风格下的有效性。
关键词：图像风格迁移，CycleGAN，绘画风，不成对图像
目 录
第一章 绪论 1
1.1 引言 1
1.2 国内外研究现状 1
第二章 相关知识概念 5
2.1 人工智能 5
2.2 深度学习与神经网络 5
2.3 神经网络介绍 6
2.4 GAN训练原理 7
2.5 GAN的应用 7
第三章 算法介绍 9
3.1 CycleGAN模型设计 9
3.2 CycleGAN模型改进 11
3.2.1 优化器 11
3.2.2 激活函数 12
3.2.3 损失函数 13
3.2.4 归一化处理 14
第四章 实证分析 15
4.1 对照组模型 15
4.2 数据集 15
4.3 训练 15
4.4 实验结果对比 15
第五章 结论与不足 18
5.1 本文结论 20
5.2 本文不足之处 20
参考文献 21
致 谢 23 |
