Разработка мобильного приложения по стилизации изображений с помощью нейросетевых технологий
ВВЕДЕНИЕ
В современном мире мобильные устройства занимают все более значимое место в нашей повседневной жизни. Одной из популярных задач, решаемых с помощью мобильных устройств, является обработка изображений. Одним из методов обработки изображений является их стилизация. Стилизация изображений позволяет преобразовывать фотографии, делая их более интересными и красивыми. С помощью нейронных сетей можно достичь высокого качества стилизации, что является актуальным направлением исследований в области компьютерного зрения.Распознавание образов как методика принятия заключений на основе исследований за объектами, а также процессами находящиеся вокруг мира появились существенно раньше современных компьютерных концепции и технологий.В качестве образа может рассматриваться всевозможные данные. Отличительная черта такого рода модификации в задаче распознавания – это применение только лишь того подмножества характеристик объектов исследования.
Оглавление
ВВЕДЕНИЕ
ГЛАВА 1. РАСПОЗНАВАНИЕ ОБРАЗОВ НЕЙРОННЫМИ СЕТЯМИ
1 Распознавание образов как перспективное направление искусственного интеллекта
2 Нейронная сеть как инструмент распознавания образов
3 Нейронные сети. Персептрон
4 Сверточные нейронные сети
5 Обзор существующих методов стилизации
6 Описание метода Neural Style Transfer (NST)
7 Архитектуры нейронных сетей для реализации NST в мобильных приложениях
8 Выбор программного обеспечения
ГЛАВА2. Реализация нейронной сети и разработка мобильного приложения
1 Архитектура нейронной сети
2 Градиентный спуск и использование пред обученной модели VGG19
3 Обучение, тестирование и получение результатов
4 Разработка мобильного приложения
5 Принцип работы мобильного приложения
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ
Минский М.Л., Пайперт С. Персептроны. https://knigogid.ru/books/1242673-perseptrony/toread
https://elibrary.ru/item.asp?id=47963903https://center2m.ru/ai-recognitionРозенблатт Ф. Принципы нейродинамики. https://www.kbncran.ru/wp-content/uploads/2021/03/3-121-1.pdfУоссермен Ф. Нейрокомпьютерная техника. http://www.immsp.kiev.ua/postgraduate/Biblioteka_trudy/NejpokomputernTechni kaUossermen1992.pdf
Cohen M.A., Grossberg S.G.Absoiute stability of global pattern formation and parallel memory storage by compatitive neural networks.1983 https://studizba.com/files/show/pdf/29431-56-modelirovanie-svoystv-himich- eskih.htmlhttps://habr.com/ru/post/74326/http://mechanoid.su/ml-lenet.htmlhttps://wiki.loginom.ru/articles/linear-partibility.htmlLeCun, Yann MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges.
https://visualstudio.microsoft.com/ru/https://docs.microsoft.com/ru-ru/azure/open-datasets/dataset-mnist?tabs=azureml- opendatasetshttp://yann.lecun.com/exdb/mnist/Gatys, L. A., Ecker, A. S., & Bethge, M. (2016). Передача стиля изображения с помощью сверточных нейронных сетей. В материалах конференции IEEE по компьютерному зрению и распознаванию образов (pp. 2414-2423).
ddKarras, T., Aila, T., Laine.URL: https://openaccess.thecvf.com/content_CVPR_2019/papers/Karras_A_Style-Based_Generator_Architecture_for_Generative_Adversarial_Networks_CVPR_2019_paper.pdf
Ulyanov, D., Vedaldi, A., & Lempitsky, V. S. (2016). Instance normalization: The missing ingredient for fast stylization. arXiv preprint arXiv:1607.08022.https://github.com/DmitryUlyanov/texture_nets
Gatys, L. A., Ecker, A. S., & Bethge, M. (2016). Image Style Transfer Using Convolutional Neural Networks. IEEE Conference on Computer Vision and Pattern Recognition, 2414-2423. doi: 10.1109/CVPR.2016.265.
Одним из важных подходов к проблеме предполагает использование разделяющих функций. В обстоятельствах, когда мы обладаем лишь немногочисленными априорными данными касательно распознаваемых образов, при построении диагностирующей концепции лучше всего использовать обучающую процедуру. На первом этапе избираются случайные делящие функции и после этого в ходе осуществления многократных шагов обучения эти разделяющие функции приводятся вплоть до рационального, либо приемлемого вида.К определению разделяющих функций в настоящее время существует некоторое количество подходов. В предоставленной работе рассматриваются два из них, которые имеют нужные нейросетевые реализации.К примеру, в конце 50-х – начале 60-х годов прошлого столетия Минский совместно с другими американскими учёными разработали сети, состоящие из одного слоя искусственных нейронов (Рис.1). Но позже было доказано, что в теории с помощью данных сетей нельзя было решить множество простейших задач. [1]Сети обратного распространения считаются наиболее успешными. Так как алгоритм, с помощью которого они осуществляют работу, преодолевая ограничения, о которых упоминал Минский. Данное распространение принято считать систематическим методом для изучения многослойных сетей