摘  要

 

近年来，深度学习算法正不断突破计算机与其他领域之间的壁垒，尝试完成诸如自然语言学习、物体识别等需要学习成本的工作。艺术风格的习得同样需要累积学习，计算机可以利用感知损失网络，吸收艺术画作的风格，提取内容图像的特征，并让这两种元素有机地糅合在一起，完成图像风格的迁移。鉴于感知损失网络的复杂性，利用它实现图像风格迁移对计算资源有一定要求，不能直接在低性能的移动设备上应用。Primsa软件是一种在移动设备上完成图像风格迁移的解决方案，这种方法存在高延迟的弊端。根据风格迁移的相关算法，本文实现了更加高效的在移动端模型嵌入式的风格迁移。

本文在VGG-19网络的基础上，构建并训练风格迁移模型。由于模型的参数众多 ，精度过高，无法直接移植于移动端。本文对模型做了进一步的裁剪，通过引入超参数的方法降低模型的整体规模，通过削减残差层的方法降低模型的深度。经过裁剪后，模型大小缩减82.89%，风格迁移速度提高2倍甚至以上。本文又采用目前流行的模型量化技术，进一步简化模型的精度。量化后的模型可以支持移动端完成风格迁移的任务。最后本文开发了一款名为图像风格转换器的Android应用，实验结果表明，经过本文优化后的风格迁移模型可以快速完成移动端的风格迁移任务。

 

关键词：深度学习，图像风格迁移，感知损失，模型优化，Android

目  录

 

第一章 绪论 1

1.1 研究背景与意义 1

1.2 研究现状 1

1.3 工作内容 2

第二章 相关研究 3

2.1 卷积神经网络概念 3

2.1.1 卷积神经网络结构 3

2.1.2 特征提取 3

2.1.3 非线性激活函数 4

2.1.4 优化算法 6

2.2 基于感知损失网络的图像风格迁移相关研究 6

2.2.1 基于统计分布的参数化慢速风格迁移算法 6

2.2.2 单模型单风格快速风格迁移算法 8

2.2.3 单模型多风格快速风格迁移算法 9

2.3 移动端的算法应用分析 10

2.4 小结 11

第三章 模型训练 12

3.1 实验准备 12

3.1.1 硬件环境 12

3.1.2 实验依赖 12

3.1.3 实验数据集 13

3.1.4 VGG-19网络模型 13

3.2 模型训练 14

3.2.1 算法流程 14

3.2.2 感知损失网络的构建 15

3.2.3 图像生成网络的构建 15

3.2.4 感知损失的定义 16

3.2.5 迭代优化 17

3.3 模型测试 18

3.4 模型裁剪 20

3.4.1 引入超参数 20

3.4.2 引入超参数的实验结果分析 20

3.4.3 削减残差层 21

3.4.4 削减残差层的实验结果分析 21

3.5 模型量化 22

3.5.1 Tensorflow Lite的模型量化 22

3.5.2 训练后量化 23

3.5.3 混合量化 23

3.5.4 模型量化的结果与分析 23

3.6 小结 24

第四章 模型应用 25

4.1 环境配置 25

4.1.1 Android SDK开发环境的搭建 25

4.1.2 模型移植工具 26

4.1.3 开发语言 26

4.2 APP功能模块 26

4.2.1 输入模块 27

4.2.2 风格迁移推断模块 28

4.2.3 输出模块 29

4.3 程序文件 29

4.4 运行结果 30

4.4.1 定性结果 30

4.4.2 定量结果 32

4.5 小结 33

第五章 结论 34

参考文献 35

致  谢 37