Login
Registrati
Reimposta password
Pubblica & Distribuisci
Soluzioni Editoriali
Soluzioni di Distribuzione
Temi
Architettura e design
Arti
Business e Economia
Chimica
Chimica industriale
Farmacia
Filosofia
Fisica
Geoscienze
Ingegneria
Interesse generale
Legge
Letteratura
Linguistica e semiotica
Matematica
Medicina
Musica
Scienze bibliotecarie e dell'informazione, studi library
Scienze dei materiali
Scienze della vita
Scienze informatiche
Scienze sociali
Sport e tempo libero
Storia
Studi classici e del Vicino Oriente antico
Studi culturali
Studi ebraici
Teologia e religione
Pubblicazioni
Riviste
Libri
Atti
Editori
Blog
Contatti
Cerca
EUR
USD
GBP
Italiano
English
Deutsch
Polski
Español
Français
Italiano
Carrello
Home
Riviste
International Journal of Advanced Network, Monitoring and Controls
Volume 7 (2022): Numero 1 (January 2022)
Accesso libero
Style Transfer Based on VGG Network
Zhe Zhao
Zhe Zhao
e
Shifang Zhang
Shifang Zhang
| 28 mag 2023
International Journal of Advanced Network, Monitoring and Controls
Volume 7 (2022): Numero 1 (January 2022)
INFORMAZIONI SU QUESTO ARTICOLO
Articolo precedente
Articolo Successivo
Sommario
Articolo
Immagini e tabelle
Bibliografia
Autori
Articoli in questo Numero
Anteprima
PDF
Cita
CONDIVIDI
Pubblicato online:
28 mag 2023
Pagine:
54 - 72
DOI:
https://doi.org/10.2478/ijanmc-2022-0005
Parole chiave
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