Застосування нейронної мережі для стилізованої обробки зображень

Олександра Юріївна Колесник

doi:10.64915/41pwqt96

Т. 2 · № 4 · 2019 сер 30, 2019 Електронні системи та сигнали

Застосування нейронної мережі для стилізованої обробки зображень

ОК

Олександра Юріївна Колесник Відповідальний Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» kolesnyk.oleksandra@gmail.com Україна

Сторінки17-21 Опублікованосер 30, 2019 ЛіцензіяВідкритий доступ

pdf

ЕАІ 4 VOL 2 · 4

VOL 2 · NO 4 · 2019 Переглянути випуск

Анотація

У статті розглянуто задачу обробки графічних зображень з використанням математичного апарату штучних нейронних мереж. Окремо розглядається структура згорткової нейронної мережі. Для вирішення задачі художньої обробки фотографії з використанням заданої стилістичної техніки використовуються два зображення – «картинка-контент» та «картинка-стиль», яка задає шаблон стилістики. При застосуванні різних стилістичних шаблонів можна сформувати фото з різною стилістикою – наприклад, у стилі імпресіонізму, абстракціонізму, тощо. Таким чином, робота представляє інтерес як з художньої, так і з дослідницької точки зору. Бібл. 10, рис. 6.

Ключові слова

#обробка зображень #штучні нейронні мережі #згорткові мережі #згортка #передача стилю

Посилання

X.-C. Liu, M.-M. Cheng, Y.-K. Lai, and P. L. Rosin, “Depth-aware neural style transfer,” in Proceedings of the Symposium on Non-Photorealistic Animation and Rendering, 2017, pp. 1–10, DOI: 10.1145/3092919.3092924
L. A. Gatys, A. S. Ecker, and M. Bethge, “Image Style Transfer Using Convolutional Neural Networks,” 2016 IEEE Conf. Comput. Vis. Pattern Recognit., pp. 2414–2423, 2016, DOI: 10.1109/CVPR.2016.265
W. Chen, Z. Fu, D. Yang, and J. Deng, “Single-Image Depth Perception in the Wild,” Adv. Neural Inf. Process. Syst., pp. 730–738, 2016.
A. G. Howard, Some Improvements on Deep Convolutional Neural Network Based Image Classification. 2013 URL: https://arxiv.org/abs/1312.5402
P.-Y. Laffont, Z. Ren, X. Tao, C. Qian, and J. Hays, “Transient attributes for high-level understanding and editing of outdoor scenes,” ACM Trans. Graph., vol. 33, no. 4, pp. 1–11, 2014, DOI: 10.1145/2601097.2601101
C. Li and M. Wand, “Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis,” 2016, URL: http://arxiv.org/abs/1601.04589
V. V. Vyugin, Matematicheskiye osnovy teorii mashinnogo obucheniya i prognozirovaniya [The mathematical foundations of machine learning theory and forecast]. Moscow, 2013.
K. Simonyan and A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition,” 2014, URL: http://arxiv.org/abs/1409.1556
L.-C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, and A. L. Yuille, “DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs.,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 40, no. 4, pp. 834–848, 2018, DOI: 10.1109/TPAMI.2017.2699184
А. А. Lukjanitsa and А. G. Shishkin, Obrabotka videoizobrazheniy [Video processing]. Moscow: ISS Press, 2009.

Ліцензія

CCBY-NC 4.0

Creative Commons Із зазначенням авторства 4.0 Міжнародна

Ця робота має відкриту ліцензію: вільно поширюйте та адаптуйте її, посилаючись на авторів і журнал. Умови ліцензії ↗

Попередня у випуску Застосування концепції віртуального конкурентного вікна для визначення якісних показників безпроводової мережі стандарту 802.11 Наступна у випуску Особливості аналізу звукових ефектів в обчислювальній платформі iOS

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

Прилад для дослідження транспорту кисню в капілярах

Марія С. Молебна

В роботі досліджується можливість візуалізації процесу передачі кисню тканинам організму через механізм капілярів. Запропоновано застосувати принцип оксиметрії на…

#оксиметрія #капіляроскопія #капілярна оксиметрія #просторово роздільна оксиметрія

p. 228255-1 - 228255-6

Алгебраїчна характеристика класу матричних перетворень та її апаратна реалізація

Станіслав В. Кудлай

У даній роботі на основі примітивних програмних алгебр виводиться алгебраїчна характеристика класу матричних перетворень методом ізоморфних відображень на алгебраїчну…

#матричні обчислення #ізоморфізм #алгебраїчна характеристика #обробка матриць

p. 228485-1 - 228482-6

Використання технології GMSL для передачі потоку відео даних високої якості

Богдан Андрійович Пономаренко

Робота присвячена опису та дослідженню технологій передачі потоку даних з відеокамер, призначених для використання у сучасних автомобілях. В роботі проведено…

#технологія GMSL #microcontroller #серіалізатор #десеріалізатор

p. 227993-1 - 227993-4

Схожі статті

Андрій Віталійович Козак, Удосконалена система шумопеленгування безпілотних літальних апаратів , Електронна та Акустична Інженерія: Том 4 № 1 (2021)
Наталія Юріївна Оникієнко, Застосування 3D-моделювання в медицині при підготовці до 3D-друку , Електронна та Акустична Інженерія: Том 4 № 1 (2021)
Інь Ченьлянь, Олександра Олександрівна Омелянець, Володимир Семенович Лозебний, Аналіз показників успішності передавання звукових потоків засобами безпроводової мережі стандарту 802.11 , Електронна та Акустична Інженерія: Том 2 № 1 (2019)
Олександр В. Поляков, Юрій Олексійович Оникієнко, Вибір бездротових технологій для застосування в сільському господарстві , Електронна та Акустична Інженерія: Том 3 № 2 (2020)
Владислав Віталійович Шевчук, Тетяна Василівна Шикота, Дослідження глобальної системи місця розташування GPS та розробка алгоритму обробки даних з приймача сигналів навігаційних супутників , Електронна та Акустична Інженерія: Том 2 № 2 (2019)
Владислав Віталійович Мажаренко, Павло Васильович Попович, Аналіз використання FreeSWITCH в мережах IP телефонії , Електронна та Акустична Інженерія: Том 2 № 2 (2019)
Роман Вікторович Сукач, Катерина Сергіївна Клен, Імітаційне моделювання хмарного покриву за допомогою алгоритму diamond-square , Електронна та Акустична Інженерія: Том 2 № 1 (2019)
Анастасія В. Байдюк, Запобігання поширенню коронавірусу за допомогою технології радіочастотної ідентифікації , Електронна та Акустична Інженерія: Том 4 № 3 (2021)
Вадим Сергійович Баран, Аналіз програмного забезпечення для створення 360 – градусного відео , Електронна та Акустична Інженерія: Том 2 № 2 (2019)
Богдан Олександрович Максимович, Розумні окуляри на основі SoC QCC5124 , Електронна та Акустична Інженерія: Том 3 № 3 (2020)

Попереднє 21-30 з 60 Наступне

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

[1] X.-C. Liu, M.-M. Cheng, Y.-K. Lai, and P. L. Rosin, “Depth-aware neural style transfer,” in Proceedings of the Symposium on Non-Photorealistic Animation and Rendering, 2017, pp. 1–10, DOI: 10.1145/3092919.3092924

[2] L. A. Gatys, A. S. Ecker, and M. Bethge, “Image Style Transfer Using Convolutional Neural Networks,” 2016 IEEE Conf. Comput. Vis. Pattern Recognit., pp. 2414–2423, 2016, DOI: 10.1109/CVPR.2016.265

[3] W. Chen, Z. Fu, D. Yang, and J. Deng, “Single-Image Depth Perception in the Wild,” Adv. Neural Inf. Process. Syst., pp. 730–738, 2016.

[4] A. G. Howard, Some Improvements on Deep Convolutional Neural Network Based Image Classification. 2013 URL: https://arxiv.org/abs/1312.5402

[5] P.-Y. Laffont, Z. Ren, X. Tao, C. Qian, and J. Hays, “Transient attributes for high-level understanding and editing of outdoor scenes,” ACM Trans. Graph., vol. 33, no. 4, pp. 1–11, 2014, DOI: 10.1145/2601097.2601101

[6] C. Li and M. Wand, “Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis,” 2016, URL: http://arxiv.org/abs/1601.04589

[7] V. V. Vyugin, Matematicheskiye osnovy teorii mashinnogo obucheniya i prognozirovaniya [The mathematical foundations of machine learning theory and forecast]. Moscow, 2013.

[8] K. Simonyan and A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition,” 2014, URL: http://arxiv.org/abs/1409.1556

[9] L.-C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, and A. L. Yuille, “DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs.,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 40, no. 4, pp. 834–848, 2018, DOI: 10.1109/TPAMI.2017.2699184

[10] А. А. Lukjanitsa and А. G. Shishkin, Obrabotka videoizobrazheniy [Video processing]. Moscow: ISS Press, 2009.