基于深度學(xué)習(xí)的圖像畫風(fēng)轉(zhuǎn)變.pdf

1、深度學(xué)習(xí)是無疑是當(dāng)今最具有吸引力的研究方向之一。而在人工智能領(lǐng)域內(nèi)大量的各式研究與應(yīng)用場景中，基于深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)的方法往往都有著出色的表現(xiàn)。其中，基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)無疑是具有代表性的。而圖像畫風(fēng)轉(zhuǎn)變作為一個(gè)新興的問題，它應(yīng)當(dāng)同樣可以利用深度學(xué)習(xí)網(wǎng)絡(luò)的到良好的解決。本文的主要研究工作可分為以下兩個(gè)方面：
　?、偈艿交诰矸e神經(jīng)網(wǎng)絡(luò)的圖像識別的啟發(fā)，給出并實(shí)現(xiàn)了一個(gè)基于訓(xùn)練用于圖像識別的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像畫風(fēng)轉(zhuǎn)變的方法

2、：該網(wǎng)絡(luò)首先被用于通過特征提取分離圖像的內(nèi)容信息與畫風(fēng)信息。接下來我們定義了一個(gè)損失函數(shù)的，該網(wǎng)絡(luò)能夠?qū)⒗媚撤N優(yōu)化算法最小化損失函數(shù)，從而將取自不同圖像的內(nèi)容信息與畫風(fēng)信息合而為一，生成一個(gè)全新的圖像。而這個(gè)圖像即為畫風(fēng)轉(zhuǎn)變后的結(jié)果圖像。
　　②針對上述方法進(jìn)行優(yōu)化與改進(jìn)：我們首先解決了在上述方法中會出現(xiàn)的特征層次選擇與特征比例參數(shù)設(shè)定問題。然后通過為網(wǎng)絡(luò)中加入一個(gè)殘余卷積網(wǎng)絡(luò)以及新定義損失函數(shù)的方式給出一個(gè)可視為上述方法改進(jìn)版