基于深度学习的汉字字体风格迁移
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第9-22页 |
| 1.1 研究背景 | 第10页 |
| 1.2 深度学习概述 | 第10-16页 |
| 1.2.1 什么是深度学习 | 第10-11页 |
| 1.2.2 浅层学习与深度学习 | 第11-12页 |
| 1.2.3 深度学习的常用方法 | 第12-16页 |
| 1.3 风格迁移 | 第16-20页 |
| 1.3.1 什么是风格迁移 | 第16-17页 |
| 1.3.2 风格迁移的发展 | 第17-18页 |
| 1.3.3 中文汉字字体风格迁移的讨论 | 第18-20页 |
| 1.4 选题意义 | 第20-22页 |
| 1.4.1 课题的实际意义 | 第20页 |
| 1.4.2 课题的研究目标 | 第20-22页 |
| 2 神经网络基础介绍 | 第22-34页 |
| 2.1 人工神经网络 | 第22-25页 |
| 2.1.1 人工神经网络概述 | 第22页 |
| 2.1.2 单层感知机 | 第22-23页 |
| 2.1.3 多层感知机 | 第23-25页 |
| 2.1.4 反向传播算法 | 第25页 |
| 2.2 卷积神经网络 | 第25-31页 |
| 2.2.1 卷积神经网络概述 | 第26页 |
| 2.2.2 卷积神经网络基本结构 | 第26-31页 |
| 2.3 优化器 | 第31-33页 |
| 2.3.1 随机梯度下降 | 第31页 |
| 2.3.2 动量法 | 第31-32页 |
| 2.3.3 自适应动量评估 | 第32-33页 |
| 2.4 数据处理方法 | 第33-34页 |
| 3 基于卷积神经网络的风格迁移模型 | 第34-41页 |
| 3.1 模型设计 | 第34-36页 |
| 3.2 模型实验分析 | 第36-39页 |
| 3.2.1 损失函数分析 | 第36-38页 |
| 3.2.2 训练过程中误差曲线分析 | 第38-39页 |
| 3.3 实验结果以及总结 | 第39-41页 |
| 4 基于编码-解码器的风格迁移模型 | 第41-52页 |
| 4.1 模型设计 | 第41-45页 |
| 4.2 实验结果及分析 | 第45-51页 |
| 4.2.1 实验训练曲线以及测试集表现分析 | 第45-48页 |
| 4.2.2 模型在多种字体转换上的表现 | 第48-49页 |
| 4.2.3 小样本测试实验 | 第49-50页 |
| 4.2.4 标签过渡实验 | 第50-51页 |
| 4.3 实验结论 | 第51-52页 |
| 5 基于变分自动编码器的汉字字体风格迁移模型 | 第52-60页 |
| 5.1 模型设计 | 第52-56页 |
| 5.2 实验结果展示 | 第56-59页 |
| 5.3 实验总结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 本文工作总结 | 第60-61页 |
| 6.2 后续工作期望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |
