隨著電子商務(wù)行業(yè)的發(fā)展成熟,網(wǎng)絡(luò)購物已經(jīng)成為了一種新的消費習慣。但是僅通過展示的商品圖片和參數(shù)進行挑選,不能為消費者帶來很好的購物體驗,在服飾類商品的銷售中尤為突出。虛擬試裝系統(tǒng)能夠彌補網(wǎng)上購物時無法進行試裝的不足,讓消費者通過網(wǎng)絡(luò)就能看到試裝的效果。生成式對抗網(wǎng)絡(luò)是一種借鑒博弈論思想設(shè)計的網(wǎng)絡(luò)模型,通過生成器模型和判別器模型互相博弈學習的過程,使其擁有模擬真實數(shù)據(jù)的能力。本文使用生成式對抗網(wǎng)絡(luò)進行虛擬試裝技術(shù)研究,通過訓練網(wǎng)絡(luò)模型生成試裝效果。本文主要工作包括以下幾個方面:1.研究并實現(xiàn)了基于VGG-GAN的虛擬試裝算法。結(jié)合VGGNet模型特點,設(shè)計的生成器模型深度為12層,包含10個卷積層和2個全連接層,卷積層全都采用3×3的小卷積核。判別器模型為8層全卷積結(jié)構(gòu),使用ELU非線性激活函數(shù)。對該模型生成的試裝效果進行評價,其中較為理想的試裝效果占生成總數(shù)的55%,單幅圖像測試時長為 1.85s。2.研究并實現(xiàn)了基于ResNet-GAN的虛擬試裝算法。結(jié)合ResNet模型特點,設(shè)計的生成器模型深度為15層,包含6個殘差塊結(jié)構(gòu),共有13個卷積層和2個全連接層,第一個卷積層采用7×7的卷...

【文章來源】： 大連交通大學遼寧省

【文章頁數(shù)】：67 頁

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 虛擬試裝系統(tǒng)
        1.2.2 生成式對抗網(wǎng)絡(luò)
    1.3 本文使用數(shù)據(jù)集
    1.4 本文的主要工作及內(nèi)容安排
    本章小結(jié)
第二章 相關(guān)理論及技術(shù)基礎(chǔ)
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 基本概念
        2.2.2 網(wǎng)絡(luò)模型結(jié)構(gòu)
        2.2.3 網(wǎng)絡(luò)模型的相關(guān)設(shè)置
        2.2.4 網(wǎng)絡(luò)模型的相關(guān)運算
    2.3 生成式對抗網(wǎng)絡(luò)
        2.3.1 基本原理
        2.3.2 訓練過程
        2.3.3 空間變換器生成式對抗網(wǎng)絡(luò)
    本章小結(jié)
第三章 基于VGG-GAN的虛擬試裝算法
    3.1 引言
    3.2 VGG13模型結(jié)構(gòu)
    3.3 VGG-GAN模型結(jié)構(gòu)設(shè)計
        3.3.1 生成器模型設(shè)計
        3.3.2 判別器模型設(shè)計
    3.4 實驗設(shè)置
    3.5 實驗及結(jié)果分析
    本章小結(jié)
第四章 基于ResNet-GAN的虛擬試裝算法
    4.1 引言
    4.2 ResNet模型結(jié)構(gòu)
    4.3 ResNet-GAN模型結(jié)構(gòu)設(shè)計
        4.3.1 生成器模型設(shè)計
        4.3.2 判別器模型設(shè)計
    4.4 實驗設(shè)置
    4.5 實驗及結(jié)果分析
    本章小結(jié)
第五章 基于Django框架的虛擬試裝系統(tǒng)實現(xiàn)
    5.1 引言
    5.2 實驗環(huán)境研究
        5.2.1 Django開發(fā)框架
        5.2.2 MySQL數(shù)據(jù)庫
    5.3 框架搭建過程及結(jié)果
        5.3.1 實驗設(shè)置
        5.3.2 網(wǎng)頁界面虛擬試裝系統(tǒng)設(shè)計過程
        5.3.3 網(wǎng)頁界面效果展示
    本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
攻讀碩士學位期間參與的項目
致謝


【參考文獻】：
期刊論文
[1]基于弱監(jiān)督預訓練CNN模型的情感分析方法 [J]. 張越,夏鴻斌.  計算機工程與應(yīng)用. 2018(13)
[2]生成式對抗網(wǎng)絡(luò)研究進展 [J]. 王萬良,李卓蓉.  通信學報. 2018(02)
[3]ReLU激活函數(shù)優(yōu)化研究 [J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)
[4]基于深度學習的圖像風格轉(zhuǎn)換淺論 [J]. 欒五洋.  數(shù)字通信世界. 2018(02)
[5]人臉圖像年齡估計系統(tǒng)的設(shè)計與實現(xiàn) [J]. 許夢婷,康長青,劉偉杰,張萬順.  信息通信. 2018(01)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)多層特征提取的目標識別 [J]. 江彤彤,成金勇,鹿文鵬.  計算機系統(tǒng)應(yīng)用. 2017(12)
[7]基于改進激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)研究 [J]. 曲之琳,胡曉飛.  計算機技術(shù)與發(fā)展. 2017(12)
[8]面向2D虛擬試穿的服裝推理變形仿真方法 [J]. 周千明,朱欣娟,胡西民.  計算機工程與應(yīng)用. 2016(08)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的商品圖像精細分類 [J]. 賈世杰,楊東坡,劉金環(huán).  山東科技大學學報(自然科學版). 2014(06)
[10]虛擬試衣的發(fā)展現(xiàn)狀及展望 [J]. 胡婉月,李艷梅,王迎梅,吳小娜.  上海工程技術(shù)大學學報. 2014(02)

碩士論文
[1]基于深度學習的車牌字符識別研究[D]. 楊志.安徽大學. 2018
[2]基于深度學習圖像識別的研究及應(yīng)用[D]. 王奧光.電子科技大學. 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測和識別研究[D]. 郝旭政.天津工業(yè)大學. 2018
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的單幀圖像超分辨率重建[D]. 陳穎龍.浙江理工大學. 2018
[5]基于DCGAN算法的圖像生成技術(shù)研究[D]. 蔡曉龍.青島理工大學. 2018
[6]基于Python的非結(jié)構(gòu)化數(shù)據(jù)檢索系統(tǒng)的設(shè)計與實現(xiàn)[D]. 董海蘭.南京郵電大學. 2017
[7]Python代碼風格對軟件維護的影響研究[D]. 劉暢.南京大學. 2017
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別[D]. 蔣帥.吉林大學. 2017
[9]基于WEB的生產(chǎn)與質(zhì)檢管理系統(tǒng)的設(shè)計與實現(xiàn)[D]. 毛小龍.大連理工大學. 2017
[10]基于Kinect的虛擬試衣系統(tǒng)的設(shè)計與實現(xiàn)[D]. 李智超.東南大學. 2017



本文編號：3531846