Resumen

La transferencia de estilos de imágenes puede realizar la transferencia mutua entre diferentes estilos de imágenes y es una aplicación esencial para los sistemas de big data. El uso de la tecnología de minería de datos de imágenes basada en redes neuronales puede extraer eficazmente la información útil de la imagen y mejorar la tasa de utilización de la información. Sin embargo, cuando se utiliza el método de aprendizaje profundo para transformar el estilo de la imagen, a menudo se pierde la información del contenido. Para abordar este problema, este trabajo introduce la pérdida L1 sobre la base de la red VGG-19 para reducir la diferencia entre el estilo de la imagen y el contenido y añade la pérdida perceptual para calcular la información semántica del mapa de características para mejorar la capacidad perceptiva del modelo. Los experimentos demuestran que la propuesta de este artículo mejora la capacidad de transferencia de estilo, manteniendo la información del contenido de la imagen. La estilización del modelo mejorado puede satisfacer mejor los requisitos de estilización de la gente, y los índices de evaluación de la similitud estructural, la similitud del coseno y el valor de la información mutua han aumentado un 0,323%, un 0,094% y un 3,591%, respectivamente.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:estilo de la imagen, métodos de aprendizaje profundo, tasa de información, capacidad de estilo, sistema de big data, información del contenido de la imagen, estilo de la imagen, transferencia de estilo de la imagen, tecnología de minería de datos, valor de información mutua
• Keywords:image style, deep learning methods, rate of information, ability of style, big data system, image content information, style of image, image style transfer, data mining technology, mutual information value