Застосування нейронної мережі для стилізованої обробки зображень
Бічна панель сторінки статті
Основний зміст сторінки статті
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.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
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.
