| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景和意义 | 第7-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 本文主要工作 | 第11页 |
| 1.4 本文组织结构 | 第11-13页 |
| 2 相关知识概述 | 第13-22页 |
| 2.1 卷积神经网络 | 第13-14页 |
| 2.2 反向传播算法 | 第14-15页 |
| 2.3 梯度下降算法 | 第15-16页 |
| 2.4 损失函数 | 第16-17页 |
| 2.5 L-BFGS算法 | 第17-19页 |
| 2.6 ReLU函数 | 第19-20页 |
| 2.7 Batch Normalization算法 | 第20页 |
| 2.8 深度残差网络 | 第20-21页 |
| 2.9 本章小结 | 第21-22页 |
| 3 基于卷积神经网络的图像识别 | 第22-31页 |
| 3.1 传统图像识别技术 | 第22-27页 |
| 3.1.1 图像识别系统 | 第22-23页 |
| 3.1.2 图像模式识别方法 | 第23-27页 |
| 3.2 用于图像识别的卷积神经网络 | 第27-29页 |
| 3.2.1 概述 | 第27页 |
| 3.2.2 VGG-Network | 第27-29页 |
| 3.3 图像识别与图像画风转变 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 4 基于卷积神经网络的图像画风转变 | 第31-42页 |
| 4.1 概述 | 第31页 |
| 4.2 网络结构 | 第31-32页 |
| 4.3 分离内容与画风 | 第32-34页 |
| 4.4 图像合成 | 第34页 |
| 4.5 参数设定 | 第34-36页 |
| 4.5.1 特征层次选择 | 第34-36页 |
| 4.5.2 内容信息与画风信息的比例设定 | 第36页 |
| 4.6 结果展示 | 第36-41页 |
| 4.7 本章小结 | 第41-42页 |
| 5 快速图像画风转变 | 第42-49页 |
| 5.1 概述 | 第42-43页 |
| 5.2 网络结构 | 第43-45页 |
| 5.3 损失函数 | 第45-46页 |
| 5.4 性能对比 | 第46-48页 |
| 5.5 本章小结 | 第48-49页 |
| 6 总结与展望 | 第49-50页 |
| 6.1 研究工作总结 | 第49页 |
| 6.2 研究展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录 | 第54页 |
| A. 作者在攻读学位期间发表的论文目录 | 第54页 |