跨域目标检测是最近兴起的研究方向, 旨在解决训练集到测试集的泛化问题. 在已有的方法中利用图像风格转换并在转换后的数据集上训练模型是一个有效的方法, 然而这一方法存在不能端到端训练的问题, 效率低, 流程繁琐. 为此, 我们提出一种新的基于图像风格迁移的跨域目标检测算法, 可以把图像风格迁移和目标检测结合在一起, 进行端到端训练, 大大简化训练流程, 在几个常见数据集上的结果证明了该模型的有效性.

实现文章Gatys_Image_Style_Transfer_CVPR_2016对应的代码，将一个影像的风格（特征）通过深度学习网络提取并添加到目标影像中，文件中包含imagenet-vgg-verydeep-19预训练模型（大小受限放在百度盘，链接看使用方法.txt），使用时将该预训练模型放在main_LY.py根目录，然后运行main_LY.py即可，参数需修改风格对象图STYLE_IMG及待修改图片CONTENT_IMG，输出在result文件夹中。

一种基于生成式对抗网络的图像风格迁移方法，利用人工智能方式实现图像风格变化迁移，

以％以叫=—唯#一旺43) 2．3．5各种换能器阵的指向性函数 根据以上指向性函数计算方法可以得到圆形活塞换能器、矩形活塞换能器、线列阵 组合平面换能器阵和矩形阵组合平面换能器阵等典型阵列的指向性函数表达式。 (1)圆形活塞换能器的指向性函数 D(a，0，co)= 口 2，r 、pap p卸一僦da 0 0 口 27r fda 0 筇 z=勋sinO，利用公式肛O)出=以(z)则 幼且印血p)厶(印血p)印 O 亢毋ksinO (2．44) 即咖蚓=I纠敞-挑；ff型dmO I 晓45， 其中如，以分别为零阶和一阶贝塞尔函数，口为圆形活塞的半径，七=2％为波数。 (2)矩形活塞换能器的指向性函数 单个矩形换能器组成的矩形活塞阵，将其置于xoy平面上，坐标原点选在矩形活塞 阵的对称中心，长为2a，宽为2b，则其指向性函数为：

OpenCV图像风格迁移所用模板文件之starry_night.t7 使用代码： import cv2 image_file = xxx.jpg' #目标文件 model = 'starry_night.t7' #模板文件 net = cv2.dnn.readNetFromTorch('models/' + model) image = cv2.imread('images/' + image_file) (h, w) = image.shape[:2] blob = cv2.dnn.blobFromImage(image, 1.0, (w, h), (103.939, 116.779, 123.680), swapRB=False, crop=False) net.setInput(blob) out = net.forward() out = out.reshape(3, out.shape[2], out.shape[3]) out[0] += 103.939 out[1] += 116.779 out[2] += 123.68 out /= 255 out = out.transpose(1, 2, 0) #cv2.namedWindow('Image', cv2.WINDOW_NORMAL) cv2.imshow('Image', out) out *= 255.0 cv2.imwrite('output-' + model + '_' + image_file, out) #输出文件 cv2.waitKey(0) cv2.destroyAllWindows() 效果： 将starry_night.t7中的画风迁移到xxx.jpg中

风格迁移模型的实现例子，有兴趣的可以看看，虽然只是个简单的例子，但对初学者还是比较友好的

基于卷积神经网络的风格迁移算法，模型使用VGG-19，实验环境：Tensorflow2.0,python3.6,支持GPU加速

1、前言     风格迁移的也是深度学习中的一个小的计算机视觉任务。目的是将A图像的风格迁移到B图像。     风格的定义在在深度学习中可以认为是一些底层的特征。比如纹理特征等。 2、代码     像我这样懒的孩子不喜欢训练一个模型的话，可以使用一下现成的模型，同时opencv提供了这些模型的接口，我们直接用来玩就好了，毕竟我们的目的非常单纯（泡妹子or泡汉子）。 import cv2 import time import os def style_transfer(pathIn='',model='',width=None): ''' pathIn: 原始图片的路径

图像处理课程上老师布置的作业，图像重绘最先由俄罗斯人由神经网络的方法得到，但也可以用频域来计算，结果仍需修正

本资源为实验四：深度学习图像生成（Part one：图像风格迁移）文章对应模型及图像。