漢字字體設(shè)計是一項十分繁瑣的工作,需要對每一個漢字進行單獨設(shè)計,由于中文漢字量十分龐大,設(shè)計一種新的字體需要耗費大量的人力與時間成本,故一套輔助字體設(shè)計的方法十分有必要。本文將使用深度學(xué)習(xí)的方法完成漢字字體風格遷移任務(wù),將有助于提升字體設(shè)計效率。深度學(xué)習(xí)是一種模擬人腦神經(jīng)元之間連接而出現(xiàn)的機器學(xué)習(xí)方法,隨著近年來計算機計算能力的大幅提升,深度學(xué)習(xí)方法在許多領(lǐng)域,如圖片處理、自然語言處理、無人駕駛等,都獲得廣泛應(yīng)用并展現(xiàn)了諸多的技術(shù)優(yōu)勢。本文將嘗試利用深度學(xué)習(xí)方法的強大數(shù)據(jù)處理能力來完成中文漢字字體風格遷移任務(wù),中文漢字字體風格遷移任務(wù)本質(zhì)上屬于一種圖片生成任務(wù),需要根據(jù)風格特征與內(nèi)容特征兩部分生成所需的圖片。本文針對中文漢字字體風格遷移問題,采用深度學(xué)習(xí)的方法進行研究,具體內(nèi)容如下:（1）對中文漢字字體風格遷移任務(wù)進行分析,確定任務(wù)性質(zhì)、難點、以及解決問題的思路。（2）使用卷積神經(jīng)網(wǎng)絡(luò)通用結(jié)構(gòu)進行漢字字體風格遷移任務(wù)進行嘗試,使用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)進行圖片生成任務(wù),通過引入不同的正則化算法如批量正則化、隨機丟棄等來輔助模型的訓(xùn)練。（3）根據(jù)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型中的不足進行改進,采... 

【文章來源】：暨南大學(xué)廣東省 211工程院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

變分自動編碼器結(jié)構(gòu)

圖 1-3 受限玻爾茲曼機結(jié)構(gòu)（3）卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks）在深度學(xué)習(xí)中，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks）是一種深度前饋的網(wǎng)絡(luò)，目前在語音、圖像、視頻等多個領(lǐng)域的分析上得到廣泛運用，它與傳統(tǒng)多之間的區(qū)別在于卷積神經(jīng)網(wǎng)絡(luò)具有權(quán)值的共享與局部連接機制，這些機制使得卷絡(luò)的結(jié)構(gòu)更像生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，大大降低了模型的參數(shù)數(shù)量以及復(fù)雜度，特別據(jù)為多維度數(shù)據(jù)（如圖片）時優(yōu)勢十分明顯。在輸入數(shù)據(jù)為圖像時，卷積神經(jīng)網(wǎng)不改變數(shù)據(jù)維度結(jié)構(gòu)的同時進行特征提取，避免了在維度重構(gòu)的過程中發(fā)生的結(jié)失。同時，其對于平移翻轉(zhuǎn)形變等操作不敏感，故對于圖像內(nèi)容特征的識別十分有卷積神經(jīng)網(wǎng)絡(luò)中最經(jīng)典的應(yīng)用是圖形的分類，在分類任務(wù)中，經(jīng)過多個卷積層，取并且逐步高階化，最終經(jīng)過全連接層達到分類的目的，下圖將展示一個完整的網(wǎng)絡(luò)分類任務(wù) LeNet[21]。

LeNet-5結(jié)構(gòu);

【參考文獻】：
碩士論文
[1]無監(jiān)督特征學(xué)習(xí)結(jié)合神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識別[D]. 敖道敢.華南理工大學(xué) 2014



本文編號：3508757