神经网落第四次总结

最新推荐文章于 2024-08-14 11:19:01 发布

zzzx66

最新推荐文章于 2024-08-14 11:19:01 发布

阅读量54

点赞数

文章标签：深度学习人工智能

本文链接：https://blog.csdn.net/zzzx66/article/details/130303458

版权

6.3 语义分割与FCN

6.3.1 语义分割定义及算法

语义分割：找到同一画面中的不同类型目标区域
基本思想：对图中每一个像素进行分类，得到对应标签

6.3.2 反卷积与反池化

反卷积

反池化

6.3.3 FCN具体实现

卷积部分：
FCN中第6、7、8层都是通过 1 × 1 卷积得到的，第6层的输出是 4096 × 7 × 7 ，第7层的输出是 4096 × 7 × 7 ，第8层的输出是 1000 × 7 × 7 ,即1000个大小是 7 × 7 的特征图（称为heatmap）

FCN-32S的网络结构

6.3.4 FCN训练结果

6.3.5 FCN的评价指标

6.4 风格迁移

定义：如果你是一位摄影爱好者，也许接触过滤镜。它能改变照片的颜色样式，从而使风景照更加锐利或者令人像更加美白。但一个滤镜通常只能改变照片的某个方面。如果要照片达到理想中的样式，经常需要尝试大量不同的组合，其复杂程度不亚于模型调参。在本节中，我们将介绍如何使用卷积神经网络自动将某图像中的样式应用在另一图像之上，即风格迁移。这里我们需要两张输入图像，一张是内容图像，另一张是样式图像，我们将使用神经网络修改内容图像使其在样式上接近样式图像。

6.4.1 方法

首先，我们初始化合成图像，例如将其初始化成内容图像。该合成图像是样式迁移过程中唯一需要更新的变量，即样式迁移所需迭代的模型参数。
然后，我们选择一个预训练的卷积神经网络来抽取图像的特征，其中的模型参数在训练中无须更新。深度卷积神经网络凭借多个层逐级抽取图像的特征。我们可以选择其中某些层的输出作为内容特征或样式特征。

6.4.2 损失函数

内容损失（content loss）使合成图像与内容图像在内容特征上接近
样式损失（style loss）令合成图像与样式图像在样式特征上接近
总变差损失（total variation loss）则有助于减少合成图像中的噪点。最后，当模型训练结束时，我们输出样式迁移的模型参数，即得到最终的合成图像

6.4.3 小结

样式迁移常用的损失函数由3部分组成：内容损失使合成图像与内容图像在内容特征上接近，样式损失令合成图像与样式图像在样式特征上接近，而总变差损失则有助于减少合成图像中的噪点。
可以通过预训练的卷积神经网络来抽取图像的特征，并通过最小化损失函数来不断更新合成图像。
用格拉姆矩阵表达样式层输出的样式。

6.5 生成对抗网络

生成对抗网络(GAN)的初始原理十分容易理解，即构造两个神经网络，一个生成器，一个鉴别器，二者互相竞争训练，最后达到一种平衡(纳什平衡)。
GAN 启发自博弈论中的二人零和博弈（two-player game），GAN 模型中的两位博弈方分别由生成式模型（generativemodel，G）和判别式模型（discriminative model，D）充当。
生成模型 G 捕捉样本数据的分布，用服从某一分布（均匀分布，高斯分布等）的噪声 z 生成一个类似真实训练数据的样本，追求效果是越像真实样本越好。
判别模型 D 是一个二分类器，估计一个样本来自于训练数据（而非生成数据）的概率，如果样本来自于真实的训练数据，D 输出大概率，否则，D 输出小概率。