DOI: https://doi.org/10.20535/2617-0965.2019.2.4.163832

Застосування нейронної мережі для стилізованої обробки зображень

Oleksandra Yurivna Kolesnyk

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

Повний текст:

PDF

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.


Перелік посилань


  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.


Посилання

  • Поки немає зовнішніх посилань.


Copyright (c) 2019 Колесник О. Ю.

Creative Commons License
Ця робота ліцензована Creative Commons Attribution 4.0 International License.