![](https://img-blog.csdnimg.cn/30f03cfd963940709b525c7d300651e9.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
深度视觉
文章平均质量分 79
基于深度学的计算机视觉方法:目标检测、分割、生成、合成等等。
今晚打佬虎
中国厨艺训练学院第105届辍学生,同时还是一名二手的人工智能表演艺术家!
展开
-
生成对抗:Pix2Pix
生成对抗网络还有一个有趣的应用就是,图像到图像的翻译。Pix2Pix就是实现图像转换的生成对抗模型,但是Pix2Pix中的对抗网络又不同于普通的GAN,称之为cGAN,全称是:conditional GAN。一个大规模数据集,其中包含来自50个不同城市的街景中记录的各种立体视频序列,除了更大的20,000个弱注释帧外,还具有5000帧的高质量像素级注释。数据集中的每一个样本都由一对图像组成:原始街景和像素级分割结果,下面的实验把左边作为输入,把分割的结果作为输出,训练一个实现街景分割的生成模型。原创 2022-12-28 18:57:31 · 1919 阅读 · 0 评论 -
生成对抗:少样本学习
高质量的数据往往是稀缺的和昂贵的。好消息是,自从GANs问世以来,这个问题得到妥善解决,我们可以通过GAN来生成高质量的合成数据样本帮助模型训练。通过设计一个特殊的DCGAN架构,在只有一个非常小的数据集上训练分类器,仍然可以实现良好的分类效果。原创 2022-12-27 16:57:38 · 1088 阅读 · 0 评论 -
生成对抗:DCGAN
GANs有两个模型组成,一个是生成器,用于训练生成假的数据,另一个是判别器,用于预测生成器的输出结果。其中生成器提供训练数据给判别器,提高判别器的准确率。判别器提供生成样本的预测结果,给生成器提供优化的方向。其实在1990年前后,对抗的思想就已经应用于无监督人工神经网络领域,通过最小化另一个程序最大化的目标函数来求解问题。生成器的输入通常是一些随机向量,然后去生成接近真实的训练数据。原创 2022-12-27 16:32:58 · 2532 阅读 · 1 评论 -
超分辨 :SRCNN
通过卷积神经网络提升图像的分辨率,本文采用一个简单的模型来实现对图片画质提升,测试数据来自《office》中的部分剧照,由于画面原始尺寸较大,所以是对原始画面切片后的每一片进行分辨率提升,然后在重组,训练数据也是基于每个图片的切片(Patch)进行训练。原创 2022-10-21 17:58:08 · 1401 阅读 · 0 评论 -
编码器 :CNN Autoencoder
DigiFace-1M 数据集是一个包含 100 多万张用于人脸识别的合成人脸图像的集合,使用其中一部分。很诡异,适合制作恐怖图片生成器。原创 2022-10-21 14:58:05 · 1365 阅读 · 0 评论 -
画风迁移:Style Transfer
风格迁移首次提出来自这篇论文:。文中作者提出了一个假设:图像的内容(content)和风格(style)可分离。在一个收敛的深度神经网络中,例如VGG19、Inception等等中,1.图像的内容(content)信息主要保留在模型每层输出中。内容重建:基于模型浅层输出矩阵重建图像可以很好的还原图,基于模型深层输出矩阵重建的图像只能还原图像的整体轮廓,但是细节是缺失的。风格重建:基于模型多个不同层次的输出(由浅到深)重建图像,不同尺度输入越多,图像重建的风格跟原图越匹配,但是全局排列信息丢失。原创 2022-10-10 09:58:36 · 1158 阅读 · 0 评论 -
窥探神经网络:Deep Dream
通常我们通过使用大量的标记数据训练神经网络模型,以图像识别模型为例,模型通常由多个卷积层堆叠而成,中间还有一些池化和激活的操作,每一个图像从输入层到输出层,要经过很多层的“处理”。尽管模型表现良好,但是我们并不了解,模型到底从数据中学到了什么,或者图像中的哪些模式被模型检测到了,并导致了最终得到正确的分类。向网络输入任意的图像,然后选择某一层的输出(激活)计算其梯度,通过梯度信息修改图像增强网络模型检测到的任何东西,进而放大模式。以InceptionV3模型为例,可视化模型的检测结果。原创 2022-10-07 12:18:16 · 559 阅读 · 0 评论