深度学习（三十五）——Style Transfer（2）, YOLOv3, Tiny-YOLO, One-stage vs. Two-stage

最新推荐文章于 2024-06-30 23:35:04 发布
最新推荐文章于 2024-06-30 23:35:04 发布
阅读量1k 收藏 4
点赞数 1
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/antkillerfarm/article/details/90748090
版权

Style Transfer

Texture Networks: Feed-forward Synthesis of Textures and Stylized Images

这篇论文属于fast style transfer类的改进。它是Skolkovo Institute of Science and Technology & Yandex的Dmitry Ulyanov的作品。

Dmitry Ulyanov的个人主页：

https://dmitryulyanov.github.io

Skolkovo位于莫斯科郊外，相当于俄国的硅谷。

代码：

https://github.com/DmitryUlyanov/texture_nets

上图是该论文提出的网络结构，其中包括了两个部分：

1.descriptor network（以下简称D网络）。这部分的使用方法和Gatys方法基本一致：风格图片过一下预训练好的Alex-Net来生成纹理特征P。

2.论文的主要创新点在于generator network（以下简称G网络）。

1）假设有一批图片A，通过G网络得到了风格图片G(A)。

2）G(a)和a做比较得到content loss，G(A)和P做比较得到style loss。

3）迭代优化上述两个loss，得到训练好的G网络。

4）Inference时，直接将图片a输入G网络，就得到了风格变换后的图片G(a)。

Perceptual Losses for Real-Time Style Transfer and Super-Resolution

这篇论文是李飞飞组的Justin Johnson的作品。

Justin Johnson的个人主页：

https://cs.stanford.edu/people/jcjohns/

代码：

https://github.com/OlavHN/fast-neural-style

https://github.com/lengstrom/fast-style-transfer/

可以看出该论文的方法和Texture Networks基本一致，差别仅在于generator network和descriptor network的结构，略有不同而已。这里不再赘述。

参考：

https://blog.csdn.net/Hungryof/article/details/61195783

超越fast style transfer----任意风格图和内容图0.1秒出结果

https://zhuanlan.zhihu.com/p/35798776

快速风格迁移（fast-style-transfer）

其他

原版的neural style是用Gram矩阵来进行匹配风格，但是也有用其他的。例如：

MRF loss（ombining markov random fields and convolutional neural networks for image synthesis.）

Adversarial loss(C. Li and M. Wand. Precomputed real-time texture synthesis with markovian generative adversarial networks. In ECCV,2016)

梯度直方图（P. Wilmot, E. Risser, and C. Barnes. Stable and controllable neural texture synthesis and style transfer using histogram losses. arXiv preprint arXiv:1701.08893 , 2017）

参考

https://zhuanlan.zhihu.com/p/26746283

图像风格迁移(Neural Style)简史

https://mp.weixin.qq.com/s/64H2dDcaTcKdKaOnwdsoEg

基于深度学习的艺术风格化研究

https://blog.csdn.net/red_stone1/article/details/79055467

人脸识别与神经风格迁移

https://blog.csdn.net/cicibabe/article/details/70885715

卷积神经网络图像风格转移

https://blog.csdn.net/stdcoutzyx/article/details/53771471

图像风格转换(Image style transfer)

https://blog.csdn.net/u011534057/article/details/78935202

风格迁移学习笔记(1):Multimodal Transfer: A Hierarchical Deep Convolutional Neural Network for Fast

https://blog.csdn.net/u011534057/article/details/78935230

风格迁移学习笔记(2):Universal Style Transfer via Feature Transforms

https://mp.weixin.qq.com/s/l3hQCQWh5NgihzTs2A049w

风格迁移原理及tensorflow实现

https://mp.weixin.qq.com/s/5Omfj-fYRDt9j2VZH1XXkQ

如何用Keras打造出“风格迁移”的AI艺术作品

https://mp.weixin.qq.com/s/4q-9QsXD04mD-f2ke7ql8A

tensorflow风格迁移网络训练与使用

https://blog.csdn.net/hungryof/article/details/53981959

谈谈图像的Style Transfer（一）

https://blog.csdn.net/Hungryof/article/details/71512406

谈谈图像的style transfer（二）

https://mp.weixin.qq.com/s/8Fz6Q-6VgJsAko0K7HDsow

一个模型搞定所有风格转换，直接在浏览器实现（demo+代码）

https://github.com/cysmith/neural-style-tf

TensorFlow (Python API) implementation of Neural Style.这个项目实现了两张图片的画风融合，非常牛。

https://github.com/jinfagang/pytorch_style_transfer

这个和上面的一样，不过是用pytorch实现的。

https://mp.weixin.qq.com/s/g1hpuzH36j_rbYR23Mwx0w

开源图像风格迁移，快看看大画家的潜力股

YOLOv3

2018年4月，pjreddie提出了YOLOv3。

论文：

《YOLOv3: An Incremental Improvement》

代码：

https://github.com/YunYang1994/tensorflow-yolov3

TF版本

它的改进点在于：

1.骨干网络再次升级。

在这里插入图片描述

上图是YOLOv3的网络结构图。由于这个网络共有53层Conv，因此也被作者称作Darknet-53。

从结构来看，它明显借鉴了ResNet的残差结构。而3x3、1x1卷积核的使用，则显然是SqueezeNet的思路。

2.多尺度先验框。

在这里插入图片描述YOLOv2从两个不同尺度的conv层输出中提取bbox，而YOLOv3从3个不同尺度的conv层输出中提取bbox。多尺度特征提取在U-NET、DenseNet中，早就广泛使用了，用到这里也很自然。

在这里插入图片描述

上图是YOLOv3网络输出的tensor的格式。

3.对象分类softmax改成logistic。

预测对象类别时不使用softmax，改成使用logistic的输出进行预测。这样能够支持多标签对象（比如一个人有Woman 和 Person两个标签）。

实际上，就是把loss由tf.nn.softmax_cross_entropy_with_logits换成tf.nn.sigmoid_cross_entropy_with_logits。它的特点是每个类别给出一个二分类（是/否）的置信度，如果某个对象是多标签的话，则它可能有多个类别的置信度接近1。

参考：

https://zhuanlan.zhihu.com/p/34945787

YOLOv3：An Incremental Improvement全文翻译

https://mp.weixin.qq.com/s/UWuCiV6dBk9Z0XusEBS6-g

物体检测经典模型YOLO新升级，就看一眼，速度提升3倍！

https://mp.weixin.qq.com/s/BF7mj-_D303cLiD5e6oy6w

期待已久的—YOLO V3

https://mp.weixin.qq.com/s/-Ixqxx6QGJDTM4g50y6LyA

进击的YOLOv3，目标检测网络的巅峰之作

https://zhuanlan.zhihu.com/p/46691043

YOLO v1深入理解

https://zhuanlan.zhihu.com/p/47575929

YOLOv2 / YOLO9000深入理解

https://zhuanlan.zhihu.com/p/49556105

YOLO v3深入理解

https://mp.weixin.qq.com/s/0lyDv9b-mpvSFYXqyngT-w

实用教程！使用YOLOv3训练自己数据的目标检测

https://mp.weixin.qq.com/s/PkFtZ0Iqf7PBGyE5a_IJ4Q

YOLO v3的TensorFlow实现，GitHub完整源码解析

https://mp.weixin.qq.com/s/Vuuca3A7luCyCQ-jBKMIcw

YOLO v3目标检测的PyTorch实现，GitHub完整源码解析！

https://mp.weixin.qq.com/s/2aeBBjCbWdweYmNrTaWqqw

一文看尽目标检测：从YOLO v1到v3的进化之路

Tiny-YOLO

YOLO系列还包括了一个速度更快但精度稍低的嵌入式版本系列——Tiny-YOLO。

到了YOLOv3时代，Tiny-YOLO被改名为YOLO-LITE。

此外，还有使用其他轻量级骨干网络的YOLO变种，如MobileNet-YOLOv3。

参考：

https://mp.weixin.qq.com/s/xNaXPwI1mQsJ2Y7TT07u3g

YOLO-LITE:专门面向CPU的实时目标检测

https://zhuanlan.zhihu.com/p/50170492

重磅！YOLO-LITE来了

https://zhuanlan.zhihu.com/p/52928205

重磅！MobileNet-YOLOv3来了

One-stage vs. Two-stage

虽然我们在概述一节已经提到了One-stage和Two-stage的概念。但鉴于这个概念的重要性，在介绍完主要的目标检测网络之后，很有必要再次总结一下。

在这里插入图片描述

在这里插入图片描述

上两图是One-stage和Two-stage的网络结构图。

One-stage一步搞定分类和bbox问题。

而Two-stage则分为两步：

1.根据区域是foreground，还是background，生成bbox。

2.对bbox进行分类和细调。

论文：

《Speed/accuracy trade-offs for modern convolutional object detectors》

antkillerfarm
关注
专栏目录
图像处理算法实战应用案例精讲-【目标检测】YOLO(附python代码实现)
qq_36130719的博客
12-08 2222
物体检测——顾名思义就是通过深度学习算法检测图像或视频中的物体。目标检测的目的是识别和定位场景中所有已知的目标。有了这种识别和定位，目标检测可以用来计数场景中的目标，确定和跟踪它们的精确位置，同时精确地标记它们。目标检测通常与图像识别相混淆，所以在我们继续之前，澄清它们之间的区别是重要的。图像识别为图像分配一个标签。狗的图片会被贴上“狗”的标签。两只狗的照片仍然会被贴上“狗”的标签。另一方面，对象检测在每只狗周围画一个盒子，并给这个盒子贴上“狗”的标签。模型预测每个对象在哪里以及应该应用什么标签。通过这种方
计算机视觉论文总结系列（一）：目标检测篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-23 8345
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除
【论文解读】one-stage系列里程碑 | 目标检测real time改进篇 | YOLO V3详解
熊猫小妖的AI世界
05-04 421
目录1.简介前言链接汇总2.主干网络2.1 总体网络2.2 bounding box预测2.3 class prediction2.4 loss计算3.实验数据3.1 数据环比4. 未竟之业5. Reference 1.简介 前言 yolo系列是由Joseph Redmon为主导，跟他导师Ali合作的最后一个作品（2018年），也是当时目标检测一阶段的SOTA，做到了实时性和准确性的兼顾，可谓是火爆全球。但是因为其本人的政治（白左，所谓“反战“）和个人倾向原因（一夜暴富？！），这个喜好“粉红系pony”的作
深度学习【23】图像风格化总结
DCD_LIN的博客
11-10 8588
1、基于优化的方法 基于优化的方法，是在Image Style Transfer Using Convolutional Neural Networks提出的。也是图像风格转换的开山之作。 该论文最大的创新点是，找出了能够表征风格和内容的特征。这些特征都是从已经训练好的VGG19抽取出来的。表征内容的特征是由VGG19中的多层卷积层的输出构成的；而表征风格的特征是由VGG19中多层卷积层的输出...
风格迁移篇---SAnet：风格注意网络下的任意风格转换
m0_61985580的博客
07-18 4940
我们介绍了一种新的风格注意网络（SANet），该网络根据内容图像的语义空间分布高效灵活地集成局部风格模式。新的身份丢失函数和多级特征嵌入使我们的SANet和解码器能够在丰富样式模式的同时尽可能保留*指示等贡献内容结构。...
Yolo-lite:实时的适用于移动设备的目标检测算法(比ssd和mobilenet更快)
ghw15221836342的博客
11-24 1万+
YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers 论文：Yolo-lite paper 项目：Yolo-lite 摘要： 　　作者提出了一种可以应用于便携式设备中运行的实时的目标检测算法，例如：手机或者没有gpu的笔记本．在PASCAL VOC和coco数据集上的map是33...
Yolov3 和 Yolov3-tiny目标检测算法理论与实现（TensorFlow2）
__不想写代码__的博客
09-24 1万+
文章目录前言一、Yolov3 和 Yolov3-tiny二、使用步骤1.引入库2.读入数据总结 前言 上一篇文章 神奇的目标检测 已经介绍了目标检测的基础啦。目标检测呢，就是在图片中定位出目标的位置，把它“框”出来就好了。本篇文章使用Yolov3 和Yolov3-tiny，以训练VOC2007和口罩检测为例。教大家如何快速的搭建自己的目标检测平台。下面是资源链接： 内容 链接 VOC2007 数据集 链接 戴口罩数据集 链接 权重文件 链接 提取码：y32m github
YOLOv4论文阅读（附原文翻译）
fengmaomao1991的专栏
10-08 1万+
YOLOv4论文阅读Abstract摘要1.Introduction 引言2.Related work相关工作2.1.Object detection models目标检测模型2.2.Bag of freebies免费礼包2.3.Bag of specials特价礼包 Abstract摘要 There are a huge number of features which are said to improve Convolutional Neural Network (CNN) accuracy. Pra
浏览了几十篇YOLO改进英文期刊，总结改进创新的一些相同点(期刊创新点持续更新)
最新发布
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-30 501
浏览了几十篇YOLO改进英文期刊，总结改进创新的一些相同点(期刊创新点持续更新)
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3196
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
yolov3-tiny工程应用和实现
alangaixiaoxiao的博客
04-15 1万+
目录前言相关推荐yolov3-tiny 原理yolov3-tiny 源码分析配置网络结构 前言 从去年十一月份开始学习yolo神经网络用于目标识别的硬件实现，到现在已经六个月了。一个硬件工程师，C/C++基础都差劲的很，对照着darknet作者的源码和网上东拼西凑的原理讲解，一点一点地摸索。刚开始进度很慢，每天都感觉学习不了几行代码，到后来慢慢的入了门，每周都有不菲的收获和重大的进展。总结一下自己...
目标检测之one-stage和two-stage网络的区别
weixin_33602281的博客
01-09 2万+
One-stage网络以yolo系列网络为代表的,two-stage网络以faster-rcnn为代表的， 它们的主要区别 1.one-stage网络速度要快很多 2.one-stage网络的准确性要比two-stage网络要低 为什么.one-stage网络速度要快很多？ 首先来看第一点这个好理解，one-stage网络生成的ancor框只是一个逻辑结构，或者只是一个数据块，只需要对这个数据块进...
yolo3-tiny网络分析与加强（+MobileNet）
weixin_42754237的博客
02-12 1万+
yolo3-tiny是yolo3的简化版本，主要区别为、主干网络采用一个7层conv+max网络提取特征（和darknet19类似），嫁接网络采用的是13*13、26*26的分辨率探测网络，结构如下。yolo3-tiny的优点主要是，网络简单，计算量较小，可以在移动端或设备端运行。缺点为精度也比较低（候选框和分类精度都比较低）   探测精度低一个很重要的原因是tiny的主干网络比较浅（7层...
目标检测中的Two-stage的检测算法
shentanyue的博客
12-06 3万+
比较详细，作个备份 什么是目标检测（object detection）： 目标检测（object detection），就是在给定的一张图片中精确找到物体所在的位置，并标注出物体的类别。所以，目标检测要解决的问题就是物体在哪里以及是什么的整个流程问题。 但是，在实际照片中，物体的尺寸变化范围很大，摆放物体的角度、姿态、在图片中的位置都不一样，物体之间可能还有重叠现象，这使得目标检测的难度变得...
YOLO算法解读
bhneo的博客
10-24 2万+
本文以从头实现YOLO的角度出发，解释了YOLO目标检测框架。本文不会描述网络的优点/缺点或每个设计选择的原因，而是关注于它是如何工作的。在阅读本文之前，假设读者对神经网络，特别是CNN有一个基本的了解。 文中所有的描述都与YOLO的原论文有关: You Only Look Once: Unified, Real-Time Object Detection by Joseph Redmon, Sa...
目标检测篇之---YOLO系列
weixin_47166887的博客
01-06 2882
YOLO系列 首先先说一下目标检测之one-stage和two-stage网络是什么意思？有什么区别？ 刚开始看目标检测的时候总能看见单阶段（one-stage）和两阶段（two-stage）目标检测网络，一开始不太懂，后来通过自己查资料，明白了一些，这里记录一下。 **单阶段（one-stage）：**目标检测经典算法比如YOlO，SSD这是单阶段（One-Stage）算法，单阶段算法主要思想就是用一个CNN网络直接预测不同目标的类别与位置。这类算法是速度快，但是准确性要低一些。 简单介绍一些YOLO算法
【深度学习YOLO V1】深刻解读YOLO V1（图解）
热门推荐
c20081052的专栏
05-08 10万+
参考：http://blog.csdn.net/u011534057/article/details/51244354论文下载：http://arxiv.org/abs/1506.02640 darknet版的代码下载：https://github.com/pjreddie/darknettensorflow版本的代码下载：https://github.com/hizhangp/yolo_tens...
yolov3-tiny.conv.15
11-04
yolo是一种流行的目标检测算法，而yolov3-tiny是yolo系列的一种轻量级版本。yolov3-tiny.conv.15是yolov3-tiny的预训练模型。 预训练模型是在大规模数据集上进行训练得到的模型权重。yolov3-tiny.conv.15是在COCO...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值