本文探讨了深度学习中PyTorch的应用，重点介绍风格迁移算法，利用卷积层特征实现图像风格转换。同时，讨论了数据增强的重要性，列举了几种常用方法，如Cutout和Mixup。此外，还介绍了迁移学习的概念及其在半监督学习、模型泛化能力提升等方面的应用。最后，提到了语义分割、转置卷积和损失函数的作用，以及SVM和GPU在机器学习中的角色。
风格迁移：
图像风格迁移指的是将图像A的风格转换到图像B中去，得到新的图像，取个名字为new B，其中new B中既包含图像B的内容，也包含图像A的风格。
风格迁移算法的成功，其主要基于以下两点：
两张图像经过预训练好的分类网络，若提取出的高维特征(high-level)之间的欧氏距离越小，则这两张图像内容越相似
两张图像经过与训练好的分类网络，若提取出的低维特征(low-level)在数值上基本相等，则这两张图像越相似，换句话说，两张图像相似等价于二者特征的矩阵具有较小的弗罗贝尼乌斯范数
风格迁移使用卷积层的中间特征还原出对应这种特征的原始图像。具体过程就是：先选取一副原始图像，经过VGGNET计算后得到各个卷积层的特征。之后，根据这些卷积层的特征，还原出对应这种特征的原始图像.研究发现：浅层的还原效果往往比较好，卷积特征基本保留了所有原始图像中形状、位置、颜色、纹理等信息；深层对应的还原图像丢失了部分颜色和纹理信息，但大体保留原始图像中物体的形状和位置。
数据增强：
最低0.47元/天 解锁文章
扫一扫
2083
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
