深度學(xué)習(xí)作為目前流行的研究熱點(diǎn),涉及到智能搜索、數(shù)據(jù)挖掘、自然語(yǔ)言處理以及圖像和語(yǔ)音等各個(gè)領(lǐng)域。而使用生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks GAN）生成圖像則是目前圖像領(lǐng)域比較受追捧的熱門探究。本文研究的則是從草圖圖像向真實(shí)世界的圖像的轉(zhuǎn)換。首先,研究集中了從自然風(fēng)景的草圖圖像到真實(shí)世界的風(fēng)景圖像之間的相互轉(zhuǎn)換。其中,草圖與自然風(fēng)景圖像之間的轉(zhuǎn)換是一對(duì)一的。草圖圖像在轉(zhuǎn)換為真實(shí)的風(fēng)景圖像過(guò)程中,由于草圖線條簡(jiǎn)單,顏色單一,而轉(zhuǎn)換過(guò)后的風(fēng)景圖像景物較多,顏色繁雜,因此這種轉(zhuǎn)換具有一定的挑戰(zhàn)性。在草圖風(fēng)景圖像到自然風(fēng)景圖像轉(zhuǎn)換的基礎(chǔ)之上,我們又研究了在其他幾個(gè)數(shù)據(jù)集上的圖像轉(zhuǎn)換,同時(shí)草圖圖像到對(duì)應(yīng)的真實(shí)風(fēng)景之間的轉(zhuǎn)換可能對(duì)應(yīng)著多種可能的風(fēng)格,草圖到真實(shí)圖像之間的轉(zhuǎn)換并不是一對(duì)一的,而是一對(duì)多的。例如相同的草圖人臉圖像對(duì)應(yīng)到真實(shí)的圖像中,可能會(huì)有不同的膚色,發(fā)色等。因此我們?cè)谝粚?duì)一的轉(zhuǎn)換的基礎(chǔ)上,設(shè)計(jì)使用隱碼向量來(lái)產(chǎn)生多種可能的輸出,實(shí)現(xiàn)一對(duì)多的轉(zhuǎn)換。因此,本文主要做了以下幾點(diǎn)工作:（1）設(shè)計(jì)了一個(gè)自動(dòng)轉(zhuǎn)換網(wǎng)絡(luò),我們將其命名為稀疏殘差注意力生成對(duì)抗網(wǎng)絡(luò)... 

【文章來(lái)源】：安徽大學(xué)安徽省 211工程院校

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．２?Ｒｅｌｕ函數(shù)??Ｆｉｇ?．２．２?Ｔｈｅ?Ｒｅｌｕ?Ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ??

?第二章相關(guān)技術(shù)＿述???－－３??－－２??■■Ｚ??—Ｉ?１?１??１?１?１???－３?－２?－１?Ｘ?＞１２?３??■?■?＿－１??圖２．５?Ｔａｎｈ函數(shù)??Ｆｉｇ．?２．５?Ｔｈｅ?Ｔａｎｈ?Ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ??上述過(guò)程中的隱藏層的輸出為／／?＝?（ＫＸ％?＋?＼），其中０為上述的激活函數(shù)。使用??激活函數(shù)達(dá)到去線性化的目的。??可以看出神經(jīng)元從輸入到輸出的這種全連接的結(jié)構(gòu)使得神經(jīng)網(wǎng)絡(luò)的參數(shù)過(guò)多，容易??造成過(guò)擬合現(xiàn)象。??２．１．２卷積神經(jīng)網(wǎng)絡(luò)??卷積神經(jīng)網(wǎng)絡(luò)采用局部連接的思想，龕要包括卷積層＊池化層＊全連接層，以及將??每層的輸出轉(zhuǎn)成非線性的激活函數(shù)等＾卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心，其參數(shù)包括卷積??核的大小和數(shù)暈ｓ每次卷積核移動(dòng)的步長(zhǎng)、以及邊緣填充等。??卷積核類似一個(gè)濾波器，能夠提取輸入的圖像的某些部分的特征。單純依靠一個(gè)濾??波器來(lái)提取整個(gè)圖像的特征往往是不充分的，通常情況下設(shè)置多個(gè)卷積核，不同的卷積??核側(cè)童于提取不同的特征。卷積神經(jīng)網(wǎng)絡(luò)的神經(jīng)元相瓦之間并沒(méi)有進(jìn)行連接，而是進(jìn)行??局部的感知。在卷積神經(jīng)網(wǎng)絡(luò)中，每一層的神經(jīng)元只連接上一層的局部神經(jīng)元，這種局??部連接實(shí)現(xiàn)了對(duì)高維數(shù)據(jù)的降維，參數(shù)量更少。步長(zhǎng)是每次卷積核移動(dòng)的步長(zhǎng)，即執(zhí)行??Ｓ卷積操作．后滑動(dòng)多少個(gè)像素懾，以３Ｘ３的卷積核為例，卷積核要計(jì)算一個(gè)ｆｅａｔｕｒｅ?（特??征圖）和其在原圖上對(duì)應(yīng)的某一小塊的結(jié)果，只需將卷積核與原圖上的像素值進(jìn)行乘法??運(yùn)算，然后累加起來(lái)，得到卷積后的特征圖，如圖２．６所示３在這里，我們?cè)O(shè)置步長(zhǎng)（Ｓｔｒｉｄｅ）??為１。??１０??

?安徽大學(xué)碩士學(xué)位論文???１?３?２?８?０?０??一?？二二?１?１?廠一Ｔ?１－１３＾??一?Ｉ?１＇?￣１??３?４?３?４?６?８?．?３?０－４－２??Ｉ?２?１?１?１?Ｉ?１?Ｓ?１?６￣＊?７?＇?°?＇?」、－１１?１??Ｉ?弟▲?￥?７?２?１?０?Ｍ??２７５０３１?銓枳拽??輸入?接積ｆｒｉ的特ｈＥ？??圖２．６卷積操作示意圖??Ｆｉｇ．?２．６?Ｔｈｅ?ｐｒｏｃｅｓｓ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎ?ｏｐｅｒａｔｉｏｎ?ｄｉａｇｒａｍ??某些情況下需粟在特征圖Ｍ圍補(bǔ)０，以圖２．６輸入的特征圖為例，步長(zhǎng)設(shè)置為２，這??時(shí)在圖像周＿補(bǔ)充０像素，此時(shí)在輸入圖像的邊界補(bǔ)〇像素值的方法，稱為ｚｅｒｏ－ｐａｄｄｉｎｇ，??過(guò)程如圖２．７所示，??００００００００??０?１?３?２?８?０?０?０??０?７?９?５?５?１?１?０??０３４３４６８０?￣ｉ￣Ｆ?〇?Ｉ?〇?〇?１３?１３??０?２?１?１?５?６?７?０?Ｘ?１?０?０??＾?０?Ｍ?｜?１４???????１０?０??０?１?５?４?９?７?２?０?〇?１３?ｈ??卷積核??０?２?７?５?０?３?１?０??卷積后的特征圖??００００００００??Ｚｅｒｏ－Ｐａｄｄｉｎｇ后的輸入??圖２．７輸入邊界補(bǔ)０的卷積過(guò)程示意圖??Ｆｉｇ．?２．７?Ｔｈｅ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎ?ｗｉｔｈ?ｉｎｐｕｔ?ｂｏｕｎｄａｒｙ?ｃｏｍｐｌｅｍｅｎｔｉｎｇ?０?ｐｒｏｃｅｓｓ??同時(shí)在某些情況下，為了維持卷積后的圖像大小，也會(huì)在卷積后的圖像某個(gè)周邊補(bǔ)??充０像蒙《??


本文編號(hào)：3041505