姿態(tài)引導(dǎo)人物圖像生成模型研究的核心內(nèi)容是為同一幅圖像中的人物更換預(yù)期的姿勢(shì),通過(guò)利用預(yù)期的姿勢(shì)完成人物圖像再創(chuàng)作的過(guò)程。姿態(tài)引導(dǎo)人物圖像生成模型在計(jì)算機(jī)視覺(jué)領(lǐng)域中是一個(gè)比較有挑戰(zhàn)性的課題,在研究工作中存在諸多的難點(diǎn),例如,通過(guò)目前的人物圖像生成模型合成的人物圖像普遍存在糊化、紋理缺失等問(wèn)題,甚至有些模型會(huì)生成姿態(tài)關(guān)鍵點(diǎn)嚴(yán)重錯(cuò)位的人物圖像。近來(lái)隨著人體姿態(tài)估計(jì)技術(shù)的不斷發(fā)展,以及深度卷積神經(jīng)網(wǎng)絡(luò)和生成式對(duì)抗網(wǎng)絡(luò)被成功地應(yīng)用于人物圖像生成任務(wù),人物圖像生成工作已經(jīng)取得一些顯著成果,而本文則是基于目前研究的基礎(chǔ)上進(jìn)一步改進(jìn)并提出新的研究方案,以改善目前姿態(tài)引導(dǎo)人物圖像生成工作中的某些問(wèn)題,本文的主要研究任務(wù)包括以下內(nèi)容:1)利用深度卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)人物圖像的抽象語(yǔ)義表示能力,研究這種語(yǔ)義內(nèi)容與卷積神經(jīng)網(wǎng)絡(luò)中圖像特征的相關(guān)性,通過(guò)使用圖像的語(yǔ)義內(nèi)容和特性改善人物圖像生成工作中存在的人物外觀細(xì)節(jié)缺失等問(wèn)題。2)通過(guò)融合、改進(jìn)可變形GAN模型和注意轉(zhuǎn)移網(wǎng)絡(luò)為姿態(tài)引導(dǎo)人物圖像生成工作提供了另一種生成器結(jié)構(gòu)模型,該模型中的注意轉(zhuǎn)移網(wǎng)絡(luò)利用一系列的中間姿勢(shì)將條件人物圖像姿勢(shì)逐步轉(zhuǎn)移至目標(biāo)人物圖像姿勢(shì)... 

【文章來(lái)源】：江西理工大學(xué)江西省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容
    1.4 章節(jié)安排
第二章 姿態(tài)引導(dǎo)人物圖像生成的相關(guān)研究
    2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本特點(diǎn)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的基本原理
        2.2.1 卷積層的原理
        2.2.2 池化層的原理
        2.2.3 全連接層
        2.2.4 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用
    2.3 生成式對(duì)抗網(wǎng)絡(luò)
        2.3.1 生成式對(duì)抗網(wǎng)絡(luò)的基本原理
        2.3.2 GAN的生成器（G）和鑒別器（D）
        2.3.3 生成式對(duì)抗網(wǎng)絡(luò)的應(yīng)用
    2.4 人體姿態(tài)估計(jì)
        2.4.1 人體姿態(tài)估計(jì)的基本概念與分類(lèi)
        2.4.2 人體姿態(tài)估計(jì)的研究方法
        2.4.3 人體姿態(tài)估計(jì)的應(yīng)用
    2.5 本章小結(jié)
第三章 基于注意轉(zhuǎn)移網(wǎng)絡(luò)的姿態(tài)引導(dǎo)人物圖像生成實(shí)例研究
    3.1 相關(guān)研究方案分析
        3.1.1 可變形的跳連接
        3.1.2 最近鄰損失
    3.2 基于注意力機(jī)制的姿態(tài)引導(dǎo)圖像生成模型
        3.2.1 姿勢(shì)注意轉(zhuǎn)移網(wǎng)絡(luò)
        3.2.2 訓(xùn)練
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 數(shù)據(jù)集
        3.3.2 定性分析
        3.3.3 定量分析
    3.4 本章小結(jié)
第四章 融合特征反饋的姿態(tài)引導(dǎo)圖像生成模型
    4.1 模型方法
    4.2 網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練
        4.2.1 姿態(tài)集成階段
        4.2.2 圖像細(xì)化階段
        4.2.3 Vgg19提取特征信息階段
        4.2.4 掩模和各階段損失
        4.2.5 鑒別器D
    4.3 實(shí)驗(yàn)結(jié)果及分析
        4.3.1 數(shù)據(jù)集
        4.3.2 定性分析
        4.3.3 定量分析
    4.4 驗(yàn)證采集的圖像
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]多尺度卷積神經(jīng)網(wǎng)絡(luò)的頭部姿態(tài)估計(jì)[J]. 梁令羽,張?zhí)焯?何為.  激光與光電子學(xué)進(jìn)展. 2019(13)
[2]生成式對(duì)抗網(wǎng)絡(luò)研究綜述[J]. 徐松林.  電腦知識(shí)與技術(shù). 2019(03)
[3]基于U-Net卷積神經(jīng)網(wǎng)絡(luò)的納米顆粒分割[J]. 張芳,吳玥,肖志濤,耿磊,吳駿,劉彥北,王雯.  激光與光電子學(xué)進(jìn)展. 2019(06)
[4]基于深度學(xué)習(xí)的圖像風(fēng)格遷移研究綜述[J]. 陳淑環(huán),韋玉科,徐樂(lè),董曉華,溫坤哲.  計(jì)算機(jī)應(yīng)用研究. 2019(08)
[5]基于Retinex增強(qiáng)的單幅LDR圖像生成HDR圖像方法[J]. 張淑芳,劉孟婭,韓澤欣,郭志鵬.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(06)
[6]人工智能研究的新前線(xiàn):生成式對(duì)抗網(wǎng)絡(luò)[J]. 林懿倫,戴星原,李力,王曉,王飛躍.  自動(dòng)化學(xué)報(bào). 2018(05)
[7]基于條件深度卷積生成對(duì)抗網(wǎng)絡(luò)的圖像識(shí)別方法[J]. 唐賢倫,杜一銘,劉雨微,李佳歆,馬藝瑋.  自動(dòng)化學(xué)報(bào). 2018(05)
[8]基于反卷積特征提取的深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)[J]. 呂恩輝,王雪松,程玉虎.  控制與決策. 2018(03)
[9]生成式對(duì)抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動(dòng)化學(xué)報(bào). 2017(03)
[10]改進(jìn)的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法[J]. 肖進(jìn)勝,劉恩雨,朱力,雷俊鋒.  光學(xué)學(xué)報(bào). 2017(03)

碩士論文
[1]深度卷積神經(jīng)網(wǎng)絡(luò)及其在手寫(xiě)體漢字識(shí)別中的應(yīng)用研究[D]. 郭鵬.四川師范大學(xué) 2016
[2]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012



本文編號(hào)：3098413