设计 任务书 论文 开题 答辩 说明书 格式 模板 外文 翻译 范文 资料 作品 文献 课程 实习 指导 调研 下载 网络教育 计算机 网站 网页 小程序 商城 购物 订餐 电影 安卓 Android Html Html5 SSM SSH Python 爬虫 大数据 管理系统 图书 校园网 考试 选题 网络安全 推荐系统 机械 模具 夹具 自动化 数控 车床 汽车 故障 诊断 电机 建模 机械手 去壳机 千斤顶 变速器 减速器 图纸 电气 变电站 电子 Stm32 单片机 物联网 监控 密码锁 Plc 组态 控制 智能 Matlab 土木 建筑 结构 框架 教学楼 住宅楼 造价 施工 办公楼 给水 排水 桥梁 刚构桥 水利 重力坝 水库 采矿 环境 化工 固废 工厂 视觉传达 室内设计 产品设计 电子商务 物流 盈利 案例 分析 评估 报告 营销 报销 会计
 首 页 机械毕业设计 电子电气毕业设计 计算机毕业设计 土木工程毕业设计 视觉传达毕业设计 理工论文 文科论文 毕设资料 帮助中心 设计流程 
垫片
您现在所在的位置:首页 >>计算机毕业设计 >> 文章内容
                 
垫片
   我们提供全套毕业设计和毕业论文服务,联系点击这里给我发消息   1257590467   
基于Tensorflow的图像特效合成算法研究毕业设计报告(Python)
文章来源:www.biyezuopin.cc   发布者:学生毕业作品网站  

目    录

摘  要 I

ABSTRACT II

第一章  绪论 1

1.1 课题简介及目的 1

1.2 课题研究意义 2

1.3 研究现状和发展趋势 2

1.4 本文的结构安排 3

第二章 算法的开发环境简介 4

2.1 Python 4

2.2 Ubuntu 4

2.3 Visual Studio Code 4

2.4 ROCm GPU加速器 5

2.5 TensorFlow-ROCm 5

2.6 Keras 5

2.7 Scipy 5

第三章 算法所需技术介绍 6

3.1 卷积神经网络(CNN) 6

3.2 生成对抗网络(GAN) 7

3.3 Pix2pix模型 11

3.4 CycleGAN网络 14

第四章 算法设计分析 17

4.1 算法的数学实现 18

4.2 神经网络架构 19

4.2.1 生成网络G 19

4.2.2 判别网络 D 20

4.2.3 优化和推理 21

第五章 算法的实现与测试 22

5.1 开发环境配置 22

5.1.1 基本模型 22

5.1.2 Python 22

5.1.3 安装Visual Studio Code 22

5.1.4 配置ROCm GPU加速器 23

5.1.5 配置Tensorflow-GPU,Keras,Scipy 24

5.2 算法实现与验证 26

5.2.1 输入管线 26

5.2.2 导入并重用 Pix2pix 模型 29

5.2.3 损失函数 31

5.2.4 模型训练 33

第六章 总结与未来展望 38

参考文献 39

致谢 40


摘  要

特效图片被广泛应用于电影电视剧的制作以及个性化照片的生成。现有的图像特效制作软件,如PhotoShop、美图秀秀、LightRoom等,都是基于人工修改,而且这些软件通常比较复杂,学习使用常常需要较长周期,很难满足紧急的特效图片制作需求。而图像合成算法虽然可以实现自动的图像到图像的翻译,形成特效图片,但往往需要成对的训练数据(如Pix2pix模型),而这样的数据通常难以获得。

本文针对上述问题,基于几种图像合成算法,提出一种可以不使用成对的训练数据即可自动生成特效图片的算法。该算法基于CycleGAN算法改进而来,通过使用对抗神经网络GAN,比较了风格迁移、物体变形、季节转换、照片增强等工作状况下的神经网络的结果。实现了特效图片的生成,经过比较,该神经网络模型在无成对训练数据的情况下比Pix2pix模型表现的更好。

关键词:CycleGAN  深度学习 特效制作 Pix2pix 对抗神经网络


ABSTRACT

Special effect pictures are widely used in the production of movies and TV series as well as the generation of personalized photos. Existing software for producing special-effect images, such as Photoshop, Meitu XiuXiu and Lightroom, are all based on manual modification. These software are usually complex to learn, and takes long time to master. It is difficult to meet some urgent needs of special-effect image production. Although image synthesis algorithms can realize special-effect images production through image-to-image translation, it often needs paired training data, which is usually difficult to obtain.

Aiming at the above problems, based on several image synthesis algorithms, this paper proposes an improved CycleGAN algorithm that can automatically generate special-effect pictures without using paired training data. By using Generative Adversarial Network GAN, the results of neural network under the working conditions of style transfer, object deformation, seasonal transformation, photo enhancement are compared. After comparison, the neural network model performs better than pix2pix model in the absence of paired training data.

Key words: CycleGAN  Deep learning  Image generation  Pix2pix  Adversarial Nets














  全套毕业设计论文现成成品资料请咨询点击这里给我发消息1257590467      返回首页 如转载请注明来源于www.biyezuopin.cc  

                 

打印本页 | 关闭窗口
 上一篇文章:施工组织设计实习报告
本类最新文章
基于百度地图和传感器的健身助手实 电影数据读取、分析与展示毕业论文 基于STP技术的怀新车站网络的设
商城微信小程序的设计与实现毕业论 基于SSH的二手图书在线交易平台 基于Tensorflow的图像特
| 关于我们 | 友情链接 | 毕业设计招聘 |

Email:biyeshejiba@163.com 在线QQ: 点击这里给我发消息  1257590467 学生毕业作品网站  
本站毕业设计毕业论文资料均属原创者所有,仅供学习交流之用,请勿转载并做其他非法用途.如有侵犯您的版权有损您的利益,请联系我们会立即改正或删除有关内容!
蜀ICP备10201305号-4