基于嵌入式平台的图像风格迁移系统设计
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 风格迁移的发展历程 | 第11-14页 |
| 1.3 深度学习在嵌入式端的发展现状 | 第14-15页 |
| 1.4 本文的主要工作 | 第15-16页 |
| 第2章 图像风格迁移相关理论 | 第16-29页 |
| 2.1 卷积神经网络 | 第16-22页 |
| 2.1.1 卷积层 | 第16-18页 |
| 2.1.2 池化层 | 第18-19页 |
| 2.1.3 激活函数 | 第19-21页 |
| 2.1.4 全连接层 | 第21页 |
| 2.1.5 优化算法 | 第21-22页 |
| 2.2 基于卷积神经网络的图像风格迁移 | 第22-28页 |
| 2.2.1 基于迭代网络的图像风格迁移 | 第22-24页 |
| 2.2.2 基于转换网络的图像风格迁移 | 第24-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 图像风格迁移模型的训练 | 第29-41页 |
| 3.1 TensorFlow上网络的构建 | 第29-35页 |
| 3.1.1 残差转换网络的构建 | 第29-32页 |
| 3.1.2 损失函数的定义 | 第32-33页 |
| 3.1.3 实例归一化层 | 第33-35页 |
| 3.2 网络性能的改善和分析 | 第35-40页 |
| 3.2.1 硬件资源 | 第35页 |
| 3.2.2 网络结构的优化 | 第35-36页 |
| 3.2.3 定制数据集的训练 | 第36-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 图像风格迁移在嵌入式端的实现 | 第41-69页 |
| 4.1 嵌入式端需求分析 | 第41页 |
| 4.2 Tiny4412嵌入式环境的配置 | 第41-47页 |
| 4.2.1 硬件参数 | 第41-45页 |
| 4.2.2 嵌入式开发准备工作 | 第45页 |
| 4.2.3 嵌入式平台的搭建 | 第45-47页 |
| 4.3 设计流程和相关工具 | 第47-51页 |
| 4.3.1 设计流程 | 第47页 |
| 4.3.2 开发环境的搭建 | 第47-51页 |
| 4.4 嵌入式端的应用原理 | 第51-55页 |
| 4.4.1 模型的导出 | 第51页 |
| 4.4.2 量化 | 第51-55页 |
| 4.5 Android端图像风格迁移的实现 | 第55-68页 |
| 4.5.1 Android应用的架构 | 第55-56页 |
| 4.5.2 程序主要模块分层说明 | 第56-57页 |
| 4.5.3 UI设计 | 第57页 |
| 4.5.4 业务逻辑层 | 第57-58页 |
| 4.5.5 NDK层的设计 | 第58-59页 |
| 4.5.6 图像格式转换JNI模块 | 第59-61页 |
| 4.5.7 Java模块的实现 | 第61-62页 |
| 4.5.8 在嵌入式开发板上的测试 | 第62-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第5章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 附录 | 第75-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士学位期间的研究成果 | 第83页 |
