Wykorzystanie wstępnie wytrenowanych konwolucyjnych sieci neuronowych w zagadnieniu transferu stylu

• Autorzy: Gramacka Weronika

Identyfikatory

DOI

10.26348/znwwsi.29.105

Warianty tytułu

EN

The use of pre-trained convolutional neural networks for style transfer

• Języki publikacji: PL

Abstrakty

PL

Artykuł dotyczy wykorzystania wstępnie wytrenowanych konwolucyjnych sieci neuronowych w zagadnieniu transferu stylu. Zbadane zostało, jak wybór warstw konwolucyjnych do reprezentacji obrazów stylu i zawartości wpływa na jakość odwzorowania stylu: kolorystykę generowanego obrazu, widoczną technikę jego wykonania oraz poziom uogólnienia szczegółów przedstawianej rzeczywistości. Zaproponowano architekturę konwolucyjnej sieci neuronowej dedykowaną rozważanemu zagadnieniu.

EN

The article concerns the use of pre-trained convolutional neural networks for the problem of style transfer. It examines how the selection of convolutional layers for representing the style and content images influences the quality of style replication, including the color palette of the generated image, the visible technique of its execution, and the level of generalization of details in the presented reality. The article also proposes an architecture for the convolutional neural network dedicated to the discussed problem.

Słowa kluczowe

PL

konwolucyjne sieci neuronowe; transfer stylu neuronowego; sieci wstępnie wytrenowane

EN

convolutional neural networks; neural style transfer; pretrained neural networks

• Wydawca: Warszawska Wyższa Szkoła Informatyki
• Czasopismo: Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki
• Rocznik: 2023
• Tom: nr 29
• Strony: 105--124
• Opis fizyczny: Bibliogr. 21 poz., fot., rys., tab., wykr.

Twórcy

autor

Gramacka Weronika

• Wojskowa Akademia Techniczna, Warszawa, Polska

Bibliografia

• [1] F. Rosenblatt. The Perceptron: A probabilistic model for information storage and organization in the brain, Psychological Review No 65(6), ss. 386-408, 1958.
• [2] P. Werbos, Beyond regression: new tools for prediction and analysis in the behavioral sciences, Ph.D. thesis. Cambridge: Harvard University, 1974.
• [3] R. Dechter, Learning while searching in constraint-satisfaction problems. Los Angeles: University of California, Computer Science Department, Cognitive Systems Laboratory, 1986.
• [4] D.E. Rumelhart, G.E. Hinton, R.J. Williams. Learning Representations by Back-Propagating Errors [w:] (Eds.) D.E. Rumelhart, J.L. McClelland. Parallel distributed processing: explorations in the microstructure of cognition, Vol. 1, ss. 318-362, Cambridge: MIT Press, 1986.
• [5] G.E. Hinton, R.R. Salakhutdinov. Reducing the dimensionality of data with neural networks, Science No 313 (5786), ss. 504-507, 2006.
• [6] Y. LeCun, L. Bottou, Y. Bengio, P. Haffner. Gradient-Based Learning Applied to Document Recognition, Proceedings of the IEEE No 86/11, ss. 2278-2324, 1998.
• [7] L.A. Gatys, A.S. Ecker, M. Bethge. A neural algorithm of artistic style. [Online]. https://doi.org/10.48550/arXiv.1508.06576, 2015.
• [8] Q. Cai, M. Ma, C. Wang, H. Li. Image neural style transfer: A review. Computers and Electrical Engineering Vol. 108, s. 108723, 2023.
• [9] W. McCulloch, W. Pitts. A Logical Calculus of the ideas Imminent in Nervous Activity. Bulletin of Mathematical Biophysics Vol. 52, ss. 99-115, 1990.
• [10] Neuron McCulloha-Pittsa. [Online]. https://pl.wikipedia.org/wiki/Neuron_McCullocha-Pittsa.
• [11] What are convolutional neural networks. [Online]. https://www.ibm.com/topics/convolutional-neural-networks.
• [12] A. Ajit, K. Acharya, A. Samanta. A review of convolutional neural networks. Int. Conference on Emerging trends in Information Technology and Engineering, 2020.
• [13] C. Albon, R. Górczynski. Uczenie maszynowe w Pythonie: receptury. Gliwice: Helion, 2019.
• [14] VGG Very Deep Convolutional Networks (VGGNet) - What you need to know. [Online]. https://viso.ai/deep-learning/vgg-very-deep-convolutional-networks/.
• [15] M. Tan, Q. V. Le. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. [Online]. https://arxiv.org/abs/1905.11946.
• [16] EfficientNet: Improving Accuracy and Efficiency through AutoMl and Model Scaling. [Online]. https://ai.googleblog.com/2019/05/efficientnet-improving- accuracy-and.html.
• [17] Create production-grade machine learning models with TensorFlow. [Online]. https://www.tensorflow.org/.
• [18] Pole pszenicy z krukami. [Online]. https://pl.wikipedia.org/wiki/Pole_pszenicy_z_krukami.
• [19] Animal Image Dataset (DOG, CAT and PANDA). [Online]. https://www.kaggle.com/ashishsaxena2209/animal-image-datasetdog-cat-and-panda.
• [20] scikit-optimize. [Online]. https://scikit-optimize.github.io/stable/.
• [21] Mona Lisa. [Online]. https://pl.wikipedia.org/wiki/Mona_Lisa.