Застосування нейронної мережі для стилізованої обробки зображень

Олександра Юріївна Колесник

doi:10.20535/2617-0965.2019.2.4.163832

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» Україна

Сторінки17-21 Опублікованосер 30, 2019 ЛіцензіяВідкритий доступ

pdf

ТОМ 2 · № 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 Програмні засоби оброблення інформації для Інтернету речей Наступна у випуску Застосування концепції віртуального конкурентного вікна для визначення якісних показників безпроводової мережі стандарту 802.11

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

Застосування 3D-моделювання в медицині при підготовці до 3D-друку

Наталія Юріївна Оникієнко

Визначено основну функцію 3D-моделювання при підготовці до 3D-друку в процесі створення медичних моделей, яка полягає у вдосконаленні 3D-сітки моделі за рахунок…

#3D-моделювання #3D-друк #медичні 3D-моделі #програмне забезпечення

с. 227387-1 - 227387-5

10.20535/2617-0965.eae.227387

Застосування оракульного концептування при програмуванні дизайну електронних мікросхем

Максим Олегович Зилевіч

У роботі запропоновано розширення принципів адаптивного середовища програмування на основі дослідження інтерсуб’єктивної парадигми шляхом розв’язання програмістських…

#метод #синтез #інтерсуб’єктивна парадигма #оракул

с. 227740-1 - 227740-5

10.20535/2617-0965.eae.227740

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

с. 228255-1 - 228255-6

10.20535/2617-0965.eae.228255

Схожі статті

Інь Ченьлянь, Омелянець Олександра Олександрівна, Володимир Семенович Лазебний, Дослідження особливостей розповсюдження інформаційних відеопотоків мережами стандарту 802.11 , Електронна та Акустична Інженерія: Том 2 № 2 (2019)
Ченьлянь Інь, Володимир Семенович Лазебний, Застосування концепції віртуального конкурентного вікна для визначення якісних показників безпроводової мережі стандарту 802.11 , Електронна та Акустична Інженерія: Том 2 № 4 (2019)
Євгеній Володимирович Світловський, Особливості та проблеми перспективної зйомки зображення , Електронна та Акустична Інженерія: Том 3 № 2 (2020)
Андрій Сергійович Лисенко, Аналіз факторів, які впливають на ефективність оптико-електронних систем , Електронна та Акустична Інженерія: Том 3 № 1 (2020)
Олександр В. Дячук, Порівняльний аналіз технологій класу LPWAN , Електронна та Акустична Інженерія: Том 3 № 3 (2020)
Ірина Олександрівна Чуян, Юрій Олексійович Оникієнко, Система відеоспостереження з функцією розпізнавання та з двома каналами передавання інформації , Електронна та Акустична Інженерія: Том 3 № 2 (2020)
Богдан Андрійович Пономаренко, Блок відображення даних з відеокамери , Електронна та Акустична Інженерія: Том 3 № 1 (2020)
Юлія Володимирівна Макаренко, Аналіз можливостей використання технологій 5G в системах Інтернету речей , Електронна та Акустична Інженерія: Том 2 № 2 (2019)
Богдан Олександрович Максимович, Концепт стереоресиверу , Електронна та Акустична Інженерія: Том 2 № 2 (2019)
Федір Богапов, Моделювання вихідного сигналу рентгенотелевізійної системи на основі КМОН-матриць , Електронна та Акустична Інженерія: Том 3 № 4 (2020)

Попереднє 11-20 з 66 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.