卷积神经网络(四)——应用
目录
1. 卷积神经网络的应用
2. 卷积神经网络学到了什么
3. 图像风格转换-V1
3.1 内容特征&风格特征
3.2 优劣
4. 图像风格转换-V2
4.1 图像风格转换 V1和V2的异同
(1)V1和V2的不同
(2)V1和V2的相同
4.2 图像风格转换V2的网络细节
(1)不使用pooling层,使用strided和fractionally strided卷积来做downsampling 和 upsampling
(2)使用五个residual blocks
(3)输出层使用scaled tanh保证输出值在[0, 255]
(4)第一个和最后一个卷积核使用9*9的核,其它使用3*3
5. 图像风格转换-V3
6. 三种风格转换算法的对比
1. 卷积神经网络的应用
图像风格转换
图像修复
换脸
图像超清化
图像翻译
文字生成图像
2. 卷积神经网络学到了什么
卷积神经网络的每一层激活值都可以看作是图像的抽象表示。(卷积神经网络中某层的每个激活值都可以看作是一个分类器,众多的分类结果组成了抽象表示。层级越高,特征抽象程度越高。)
3. 图像风格转换-V1
3.1 内容特征&风格特征
内容特征:图像输入到CNN得到的某一层的激活值。
使用内容特征生成图像:
保持卷积神经网络的参数不变
调整图像X的像素值,使之与y图像在CNN中的内容特征距离变小。(图像输入到卷积神经网络中,某一层的激活值F,和对应位置上和待生成的图像提取出来的特征P去相减求和,得到损失函数。)
风格特征:图像输入到CNN得到的某一层的激活值之间的关联。(是所有内容特征的共性,一般在越高层,就越能得到风格特征的结果。)
风格特征的计算——Gram矩阵
3.2 优劣
慢:每张图都要逐步求导
逐步调整:能够产生多张效果
能否只用一次计算就能得到结果?
4. 图像风格转换-V2
同样的网络还可以实现图像超清化
训练:
X是要转换的图像
Ys是风格图像
Yc是内容图像
X=Yc
预测:
输入新图像
经过transformer
得到转换结果
4.1 图像风格转换 V1和V2的异同
(1)V1和V2的不同
V1中是随机的。
V2中是由X经过Image Transform Net得到的。
(2)V1和V2的相同
基于Gram矩阵来计算风格损失——>风格损失无法明确定义
4.2 图像风格转换V2的网络细节
(1)不使用pooling层,使用strided和fractionally strided卷积来做downsampling 和 upsampling
strided卷积步长=1时,输入和输出的size一致。当strided>1时,比如当strided = 2时,图像size的长宽各降低一半。在卷积层上做strided会比做pooling能保存更多的信息(why)。故一般在图像生成网络中,会用strided=2的卷积层来代替pooling层,以保持更多的信息。
图像变小之后,还需要将其放大。fractionally strided相当于strided的逆操作。当strided=2时,图像会变为原来的1/2;当strided=1/2时,图像会变为原来的2倍。downsampling降采样,图像变小;upsampling升采样,图像变大。
为什么先做down-sampling,再做up-sampling?
减小了feature_map的大小,提高性能
提高结果图像中的视野域——风格转换会导致物体变形,因而,结果图像中每个图像对应着初始结果中的视野域越大越好
(2)使用五个residual blocks
在生成网络中,使用残差连接(residual blocks)的好处:残差连接为恒等连接,y = x + f(x), 能够尽可能的保留输入图像中更多的信息。f(x)可专注于学习需要变换的部分。
(3)输出层使用scaled tanh保证输出值在[0, 255]
(4)第一个和最后一个卷积核使用9*9的核,其它使用3*3
5. 图像风格转换-V3
1. 摆脱gram矩阵
6. 三种风格转换算法的对比
卷积神经网络(四)——应用相关推荐
- 卷积神经网络四种卷积类型
卷积神经网络四种卷积类型 https://www.toutiao.com/a6631333810287936013/ 一般卷积 首先,我们需要就定义卷积层的一些参数达成一致. 卷积核大小(Kernel ...
- 卷积神经网络四:人脸识别和风格变迁
1 什么是人脸识别 现在的人脸识别包含两个部分,人脸识别和活体检测.后一项技术确认你是一个活人.事实上,活体检测可以使用监督学习来实现,去预测是不是一个真人,这个方面我就不多说了.我主要想讲的是,如何 ...
- 深度篇—— CNN 卷积神经网络(四) 使用 tf cnn 进行 mnist 手写数字 代码演示项目
返回主目录 返回 CNN 卷积神经网络目录 上一章:深度篇-- CNN 卷积神经网络(三) 关于 ROI pooling 和 ROI Align 与 插值 本小节,细说 使用 tf cnn 进行 mn ...
- 入门卷积神经网络(四)误差函数(损失函数)
误差函数(损失函数) 监督学习的神经网络需要一个函数来测度模型的输出值p和真实因变量值y之间的差异,一般这种差异被称为残差或者误差. 但一个模型完美时(虽然不存在),其误差为0.当模型存在问题时,误差 ...
- TensorFlow(7)卷积神经网络实战(1)(可视化)
目录 基础理论 卷积 卷积核与过滤器的区别 一.获取数据集 二.设定数据集大小.归一化 三.构建卷积神经网络 四.编译&&训练 五.模型评估 六.可视化 1.创建plt图 2.获取各卷 ...
- 4.2 One-Shot 学习-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 4.1 什么是人脸识别? 回到目录 4.3 Siamese 网络 One-Shot 学习 (One-Shot Learning) 人脸识别所面临的一个挑战就是你需要解决一次学 ...
- 3.10 候选区域-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.9 YOLO 算法 回到目录 3.11 总结 候选区域 (Region proposals) 如果你们阅读一下对象检测的文献,可能会看到一组概念,所谓的候选区域,这在计算 ...
- 3.1 目标定位-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 2.12 总结 回到目录 3.2 特征点检测 目标定位 (Object Localization) 大家好,欢迎回来,这一周我们学习的主要内容是对象检测,它是计算机视觉领域中 ...
- 1.7 单层卷积网络-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 1.6 三维卷积 回到目录 1.8 简单卷积网络示例 单层卷积网络 (One Layer of a Convolutional Network) 今天我们要讲的是如何构建卷积 ...
- 0.0 目录-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
文章目录 第五课 第四课 第三课 第二课 第一课 第五课 <序列模型> 笔记列表 Week 1 循环序列模型 Week 1 传送门 -> 1.1 为什么选择序列模型 1.2 数学符号 ...
最新文章
- python函数基础和装饰器
- SpringBoot各种Controller写法
- STM32F4 编程手册学习1_编程模型
- 并行数据库 分布式数据库
- java报错 日志_java 日志报错
- apache目录 vscode_CentOS 上使用vscode 调试百度大数据分析框架Apache Doris BE
- mysql怎么连接数据连接池_Mysql数据库连接池
- 火狐扩展插件开发者模式_使用插件扩展您的开发人员社区
- 农林资金 大数据审计案例_大数据审计应用案例
- day12摇色子游戏--笔记
- 什么是系统建模语言(SysML)?
- 一次尴尬的笔试。。。
- RGBA图像的四通道详细分析
- CANopen的ID分类
- 10天精读掌握:计算机组成与设计(COAD:Patterson and Hennessy) (第3天 2018/10.26)
- 菜鸟专科生从参加IT培训到就业历险记
- 深度学习中,CPU、GPU、NPU、FPGA如何发挥优势?
- 今日话题:朝鲜做了个山寨Facebook 立马就被黑
- 2023全国特种作业操作证熔化焊接与热切割一[安考星]
- griffon桌面开发之hello world