在近幾年中,深度學(xué)習(xí)取得了很大的成功,針對(duì)不同類型的學(xué)習(xí)方法,提出了不同的學(xué)習(xí)方法,包括有監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。計(jì)算機(jī)視覺(jué)領(lǐng)域也有了突飛猛進(jìn)的發(fā)展,視頻風(fēng)格轉(zhuǎn)換作為計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)分支研究方向,同樣進(jìn)展迅速。視頻風(fēng)格轉(zhuǎn)換源于圖像的風(fēng)格轉(zhuǎn)換,圖像風(fēng)格轉(zhuǎn)換通過(guò)預(yù)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)來(lái)提取自然圖像的內(nèi)容信息,通過(guò)Gram矩陣來(lái)提取圖像的紋理特征。視頻風(fēng)格轉(zhuǎn)換與其類似,目的是使風(fēng)格化視頻在空間結(jié)構(gòu)上與原始視頻相似,在紋理信息方面與風(fēng)格圖相似。在視頻風(fēng)格轉(zhuǎn)換領(lǐng)域,最關(guān)注的研究方向是風(fēng)格化視頻的去閃爍算法。Ruder等人以迭代的方式,通過(guò)加入光流估計(jì),引入時(shí)間一致性損失,約束了風(fēng)格化視頻的時(shí)間一致性,達(dá)到了去閃爍的目的。Huang等人通過(guò)前饋神經(jīng)網(wǎng)絡(luò)的方式,對(duì)視頻風(fēng)格化進(jìn)行了加速。證明前饋神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)視頻的時(shí)間一致性。但由于在約束相鄰風(fēng)格化視頻幀間的時(shí)間一致性時(shí),采用的是原始視頻的光流進(jìn)行的約束,這使得訓(xùn)練過(guò)程存在誤差。因?yàn)轱L(fēng)格化視頻幀在空間結(jié)構(gòu)上發(fā)生了扭曲,因此與原始視頻評(píng)估出的光流并不適配。針對(duì)這一弊端,本文采用自編碼器的思想,將網(wǎng)絡(luò)結(jié)構(gòu)分為編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)兩部分,編碼器... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 選題意義與選題背景
    1.2 風(fēng)格轉(zhuǎn)換技術(shù)的研究現(xiàn)狀及分析
        1.2.1 基于傳統(tǒng)方法的圖像風(fēng)格轉(zhuǎn)換
        1.2.2 基于神經(jīng)網(wǎng)絡(luò)的圖像風(fēng)格轉(zhuǎn)換
        1.2.3 基于神經(jīng)網(wǎng)絡(luò)的視頻風(fēng)格轉(zhuǎn)換
    1.3 本文的主要研究?jī)?nèi)容以及創(chuàng)新
第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的視頻風(fēng)格轉(zhuǎn)換理論基礎(chǔ)及模型
    2.1 基于迭代的圖像風(fēng)格轉(zhuǎn)換
        2.1.1 圖像內(nèi)容特征和風(fēng)格特征提取
        2.1.2 內(nèi)容損失和風(fēng)格損失的設(shè)定
        2.1.3 迭代優(yōu)化
    2.2 基于前向網(wǎng)絡(luò)的圖像風(fēng)格轉(zhuǎn)換
        2.2.1 基于前向網(wǎng)絡(luò)風(fēng)格轉(zhuǎn)換思想提出
        2.2.2 網(wǎng)絡(luò)結(jié)構(gòu)與損失函數(shù)
        2.2.3 網(wǎng)絡(luò)訓(xùn)練方法
    2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的視頻風(fēng)格轉(zhuǎn)換
        2.3.1 基于迭代的視頻風(fēng)格轉(zhuǎn)換
        2.3.2 基于前向網(wǎng)絡(luò)的視頻風(fēng)格轉(zhuǎn)換
    2.4 光流評(píng)估算法
        2.4.1 光流評(píng)估原理
        2.4.2 Flownet2光流算法原理
    2.5 總結(jié)
第三章 基于自編碼結(jié)構(gòu)與梯度保序的視頻風(fēng)格轉(zhuǎn)換算法設(shè)計(jì)
    3.1 網(wǎng)絡(luò)結(jié)構(gòu)及損失函數(shù)
        3.1.1 網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 損失函數(shù)
    3.2 自編碼網(wǎng)絡(luò)結(jié)構(gòu)及改進(jìn)的時(shí)間損失函數(shù)
        3.2.1 自編碼網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 時(shí)間損失函數(shù)
    3.3 梯度保序損失函數(shù)
    3.4 實(shí)驗(yàn)結(jié)果及分析
        3.4.1 視頻風(fēng)格轉(zhuǎn)換實(shí)驗(yàn)結(jié)果
        3.4.2 解碼網(wǎng)絡(luò)重構(gòu)性能驗(yàn)證
        3.4.3 視頻時(shí)間一致性驗(yàn)證
    3.5 本章總結(jié)
第四章 算法實(shí)現(xiàn)及定性分析
    4.1 算法實(shí)現(xiàn)
        4.1.1 實(shí)驗(yàn)數(shù)據(jù)庫(kù)
        4.1.2 算法實(shí)現(xiàn)細(xì)節(jié)
    4.2 評(píng)估方法及定性分析
        4.2.1 風(fēng)格化視頻幀對(duì)比
        4.2.2 評(píng)價(jià)標(biāo)準(zhǔn)定義及對(duì)比
    4.3 總結(jié)
第五章 總結(jié)和展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：2997846