基于深度学习和演化策略的3D艺术创作研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 引言 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 3D艺术化 | 第9页 |
| 1.2.2 深度学习发展现状 | 第9-10页 |
| 1.2.3 基于深度学习的3D特征提取 | 第10页 |
| 1.2.4 艺术灵感 | 第10-11页 |
| 1.3 本文研究步骤和组织结构 | 第11-13页 |
| 1.3.1 本文的研究步骤 | 第11-12页 |
| 1.3.2 本文的组织结构 | 第12-13页 |
| 第2章 深度学习网络模型 | 第13-22页 |
| 2.1 人工神经网络 | 第13-16页 |
| 2.2 BP神经网络 | 第16-17页 |
| 2.3 深度置信网络 | 第17-19页 |
| 2.4 卷积神经网络 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 基于深度学习的3D模型特征提取 | 第22-30页 |
| 3.1 基于卷积-自动编码机的特征提取 | 第22-27页 |
| 3.1.1 自动编码机 | 第23-24页 |
| 3.1.2 卷积-自动编码机 | 第24-26页 |
| 3.1.3 实验 | 第26-27页 |
| 3.2 基于改进深度置信网络的特征提取 | 第27-29页 |
| 3.2.1 改进深度置信网络 | 第27-28页 |
| 3.2.2 实验 | 第28-29页 |
| 3.3 小结 | 第29-30页 |
| 第4章 基于演化策略的简单3D模型艺术创作研究 | 第30-37页 |
| 4.1 1+λ演化策略 | 第30-31页 |
| 4.2 演化函数矩阵 | 第31-33页 |
| 4.3 实验步骤和结果 | 第33-36页 |
| 4.3.1 基于均匀变异的交互式评价 | 第33页 |
| 4.3.2 基于1+λ演化策略的演化函数矩阵训练 | 第33-35页 |
| 4.3.3 3D建模和基于演化策略的灵感创造 | 第35-36页 |
| 4.4 小结 | 第36-37页 |
| 第5章 OpenCV环境配置和系统展示 | 第37-44页 |
| 5.1 OPENCV配置 | 第37-41页 |
| 5.2 系统展示 | 第41-43页 |
| 5.3 小结 | 第43-44页 |
| 第6章 总结与展望 | 第44-46页 |
| 6.1 本文总结 | 第44页 |
| 6.2 展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49-50页 |
| 附录 | 第50页 |
