Login
Registrieren
Passwort zurücksetzen
Veröffentlichen & Verteilen
Verlagslösungen
Vertriebslösungen
Themen
Allgemein
Altertumswissenschaften
Architektur und Design
Bibliotheks- und Informationswissenschaft, Buchwissenschaft
Biologie
Chemie
Geowissenschaften
Geschichte
Industrielle Chemie
Informatik
Jüdische Studien
Kulturwissenschaften
Kunst
Linguistik und Semiotik
Literaturwissenschaft
Materialwissenschaft
Mathematik
Medizin
Musik
Pharmazie
Philosophie
Physik
Rechtswissenschaften
Sozialwissenschaften
Sport und Freizeit
Technik
Theologie und Religion
Wirtschaftswissenschaften
Veröffentlichungen
Zeitschriften
Bücher
Konferenzberichte
Verlage
Blog
Kontakt
Suche
EUR
USD
GBP
Deutsch
English
Deutsch
Polski
Español
Français
Italiano
Warenkorb
Home
Zeitschriften
International Journal of Advanced Network, Monitoring and Controls
Band 7 (2022): Heft 1 (January 2022)
Uneingeschränkter Zugang
Style Transfer Based on VGG Network
Zhe Zhao
Zhe Zhao
und
Shifang Zhang
Shifang Zhang
| 28. Mai 2023
International Journal of Advanced Network, Monitoring and Controls
Band 7 (2022): Heft 1 (January 2022)
Über diesen Artikel
Vorheriger Artikel
Nächster Artikel
Zusammenfassung
Artikel
Figuren und Tabellen
Referenzen
Autoren
Artikel in dieser Ausgabe
Vorschau
PDF
Zitieren
Teilen
Online veröffentlicht:
28. Mai 2023
Seitenbereich:
54 - 72
DOI:
https://doi.org/10.2478/ijanmc-2022-0005
Schlüsselwörter
VGG Network
,
Neural Network
,
Style Transfer
© 2022 Zhe Zhao et al., published by Sciendo
This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Figure 1.
VGG Network structure.
Figure 2.
VGG-19 network model structure.
Figure 3.
Convolution check of VGG Network and recognition ability of image semantic information.
Figure 4.
Image after style transfer of Taipei 101 building.
Figure 5.
Training error (left) and test error (right) on CIFAR-10.
Figure 6.
Residual structure.
Figure 7.
Training on ImageNet.
Figure 8.
Output image after style conversion.
Figure 9.
Encoder decoder structure.
Figure 10.
Encoder decoder style transfer network structure.
Figure 11.
Style transfer image.
Figure 12.
Style images with different weights.
Figure 13.
Night and Day switch.
Figure 14.
Generate different style images.
Figure 1
VGG 网络结构
Figure 2
VGG 网络模型
Figure 3
VGG 网络的卷积检查和图像语义信息的识别能力
Figure 4
台北 101 大厦风格迁移后的图像
Figure 5
CIFAR-10 上的训练错误(左)和测试错误(右)
Figure 6
残差结构
Figure 7
在 ImageNet 上的训练
Figure 8
风格迁移后的输出图像
Figure 9
编码器解码器结构
Figure 10
编码器解码器式的传输网络结构
Figure 11
风格迁移图像
Figure 12
具有不同权重的风格图像
Figure 13
夜间和日间转换
Figure 14
生成不同风格图像