基于卷积神经网络的人脸简笔画生成技术
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-14页 |
| 1.2.1 人脸轮廓提取的发展现状 | 第11-12页 |
| 1.2.2 卷积神经网络的发展现状 | 第12-14页 |
| 1.3 卷积神经网络的优势 | 第14-15页 |
| 1.4 论文研究内容 | 第15-16页 |
| 1.5 论文组织结构 | 第16-18页 |
| 第2章 基于肤色检测的人脸简笔画生成技术 | 第18-30页 |
| 2.1 基于图像方法的简笔画生成算法思想 | 第18-19页 |
| 2.2 图像预处理 | 第19-20页 |
| 2.3 肤色及头发检测 | 第20-23页 |
| 2.3.1 肤色部分 | 第21-23页 |
| 2.3.2 头发部分 | 第23页 |
| 2.4 特征区域提取 | 第23-24页 |
| 2.5 轮廓提取 | 第24-25页 |
| 2.5.1 Canny边缘检测算子提取人脸轮廓 | 第24-25页 |
| 2.5.2 形态学后处理 | 第25页 |
| 2.6 实验结果及分析 | 第25-29页 |
| 2.6.1 特征区域检测 | 第26-27页 |
| 2.6.2 轮廓提取 | 第27-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第3章 基于卷积神经网络的人脸简笔画生成技术 | 第30-53页 |
| 3.1 卷积神经网络的理论 | 第30-33页 |
| 3.1.1 卷积神经网络原理 | 第30页 |
| 3.1.2 卷积神经网络结构层次介绍 | 第30-33页 |
| 3.2 人脸轮廓提取网络设计 | 第33-39页 |
| 3.2.1 网络结构 | 第33-35页 |
| 3.2.2 损失函数设计 | 第35-37页 |
| 3.2.3 训练及验证算法 | 第37-39页 |
| 3.3 改进的人脸轮廓提取网络网络设计 | 第39-48页 |
| 3.3.1 改进的网络结构 | 第39-43页 |
| 3.3.2 完全卷积 | 第43-44页 |
| 3.3.3 反卷积 | 第44-45页 |
| 3.3.4 侧输出层 | 第45-46页 |
| 3.3.5 损失函数设计 | 第46-47页 |
| 3.3.6 训练及验证算法 | 第47-48页 |
| 3.4 实验结果及分析 | 第48-52页 |
| 3.4.1 SFLG生成简笔画效果图 | 第48页 |
| 3.4.2 参考网络生成简笔画效果图 | 第48-51页 |
| 3.4.3 FLG生成简笔画效果图 | 第51-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 实验与结果分析 | 第53-63页 |
| 4.1 实验平台Caffe相关介绍 | 第53-55页 |
| 4.1.1 Caffe的优势 | 第53-54页 |
| 4.1.2 Caffe的一般架构 | 第54-55页 |
| 4.1.3 Caffe训练网络 | 第55页 |
| 4.2 实验数据集及评价标准 | 第55-57页 |
| 4.2.1 实验数据集 | 第55-56页 |
| 4.2.2 评价标准 | 第56-57页 |
| 4.3 参数分析与调优 | 第57页 |
| 4.4 实验结果与分析 | 第57-61页 |
| 4.5 本章小结 | 第61-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第71-73页 |
| 致谢 | 第73页 |
