Logowanie
Zarejestruj się
Zresetuj hasło
Publikuj i Dystrybuuj
Rozwiązania Wydawnicze
Rozwiązania Dystrybucyjne
Dziedziny
Architektura i projektowanie
Bibliotekoznawstwo i bibliologia
Biznes i ekonomia
Chemia
Chemia przemysłowa
Filozofia
Fizyka
Historia
Informatyka
Inżynieria
Inżynieria materiałowa
Językoznawstwo i semiotyka
Kulturoznawstwo
Literatura
Matematyka
Medycyna
Muzyka
Nauki farmaceutyczne
Nauki klasyczne i starożytne studia bliskowschodnie
Nauki o Ziemi
Nauki o organizmach żywych
Nauki społeczne
Prawo
Sport i rekreacja
Studia judaistyczne
Sztuka
Teologia i religia
Zagadnienia ogólne
Publikacje
Czasopisma
Książki
Materiały konferencyjne
Wydawcy
Blog
Kontakt
Wyszukiwanie
EUR
USD
GBP
Polski
English
Deutsch
Polski
Español
Français
Italiano
Koszyk
Home
Czasopisma
International Journal of Advanced Network, Monitoring and Controls
Tom 7 (2022): Zeszyt 1 (January 2022)
Otwarty dostęp
Style Transfer Based on VGG Network
Zhe Zhao
Zhe Zhao
oraz
Shifang Zhang
Shifang Zhang
| 28 maj 2023
International Journal of Advanced Network, Monitoring and Controls
Tom 7 (2022): Zeszyt 1 (January 2022)
O artykule
Poprzedni artykuł
Następny artykuł
Abstrakt
Artykuł
Ilustracje i tabele
Referencje
Autorzy
Artykuły w tym zeszycie
Podgląd
PDF
Zacytuj
Udostępnij
Data publikacji:
28 maj 2023
Zakres stron:
54 - 72
DOI:
https://doi.org/10.2478/ijanmc-2022-0005
Słowa kluczowe
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