深度学习在图像处理中的应用研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 图像编辑传播国内外研究现状 | 第9-10页 |
| 1.2.2 图像风格迁移研究现状 | 第10-12页 |
| 1.3 本文主要研究内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第二章 卷积神经网络及特征 | 第14-23页 |
| 2.1 神经网络简介 | 第14-15页 |
| 2.2 卷积神经网络 | 第15-22页 |
| 2.2.1 输入层 | 第15页 |
| 2.2.2 卷积层 | 第15-17页 |
| 2.2.3 激活函数 | 第17-18页 |
| 2.2.4 池化层 | 第18-19页 |
| 2.2.5 全连接层 | 第19-20页 |
| 2.2.6 目标函数 | 第20-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 基于改进的卷积神经网络的图像编辑传播 | 第23-34页 |
| 3.1 图像编辑传播简介 | 第23-26页 |
| 3.1.1 基于优化的图像编辑传播 | 第23-25页 |
| 3.1.2 基于卷积神经网络的图像编辑传播 | 第25-26页 |
| 3.2 组合卷积 | 第26-28页 |
| 3.2.1 可变形卷积 | 第26-27页 |
| 3.2.2 可分离卷积 | 第27-28页 |
| 3.3 损失函数与模型结构 | 第28-30页 |
| 3.3.1 有偏损失函数 | 第28-29页 |
| 3.3.2 双分支卷积神经网络模型 | 第29-30页 |
| 3.4 实验结果 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 基于组合卷积的图像风格迁移 | 第34-44页 |
| 4.1 图像风格迁移的简介 | 第34-37页 |
| 4.1.1 基于图像迭代的描述性神经网络 | 第34-36页 |
| 4.1.2 基于模型迭代的生成式模型 | 第36-37页 |
| 4.2 基于组合卷积的图像风格迁移 | 第37-43页 |
| 4.2.1 自适应IN层 | 第37-39页 |
| 4.2.2 基于组合卷积的网络模型与训练 | 第39-40页 |
| 4.2.3 实验结果与分析 | 第40-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第五章 结论与展望 | 第44-46页 |
| 5.1 结论 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 附录 | 第49-55页 |
| 致谢 | 第55-56页 |
| 攻读学位期间参加的科研项目和成果 | 第56页 |
