侵权投诉
焊接机器人 喷涂机器人 搬运机器人 装配机器人 切割机器人 其它机器人
订阅
纠错
加入自媒体

Prisma虽昙花一现 但人工智能平民化时代才刚刚开始

2016-08-10 09:00
天堂的苦涩
关注

  通常,当一张图像经过了多层过滤之后,后面留下的特征会越来越抽象。例如,如果卷积神经网络被训练用于物体识别,更深层次的“过滤层”更能“感知”到物体的存在而非具体的像素值。与之相反,第一个过滤层更容易感知到边缘等简单特征。

  经过多年发展,用于物体识别和定位的卷积神经网络表现已经越来越好,挑战门槛也越增越高。ImageNet图像识别挑战赛2014年的获奖者是一个有19层“过滤层”和相对更小过滤器的深度卷积网络,这就是DeepArt系统的基础VGG网络。

 

  人造纹理的合成步骤

  在《TextureSynthesisUsingConvolutionalNeuralNetworks》中,DeepArt团队介绍了用于物体识别的卷积网络是如何用来完成另一项任务:合成人造纹理的,意即模仿原始图像的纹理创造一张人工合成的图像。通过可以被“打散重组”的图像都包含某一特定的图样,比如沙子、纸张、碎云、木纹、混凝土的特写图片,整体布局对于这类图片来讲并不像对于地标建筑那样是重要特征。

  合成图片的产生过程就是不断迭代“升级”这些含有“随机噪音”的图片,直至产生与原始图像相似的图片。“相似性”的标准就是色彩和局部细节被保留,而总体布局发生改变。

  我们想要的结果是去除空间信息,保留纹理。问题在于一张特征图本来就是原始图像的“过滤版”,肯定会保留空间信息。如何加以去除呢?DeepArt团队采取的方法计算一个去除了空间信息的过滤层中,不同特征图之间的相关性(只要两张特征图之间的相关系数是单一值,那么空间信息就肯定被去除了)。作者计算了一个过滤层中所有特征图的相关性,得到了一个N×N的格拉姆矩阵(Gramianmatrix),其中N就是这一层中特征图的数量。

  而格拉姆矩阵从某种意义上来说就相当于这名艺术家的风格。他再现一张脸的方式与再现一棵树、一幢房的方式有某种相关性。只要捕捉到了这种相关性就捕捉到了风格。

  迭代升级程序不断修改“噪声图”,直至它的格拉姆矩阵接近原始图像。这种迭代升级可以通过多层神经网络标准的误差反向传播(BackPropagation)算法来完成,通过这一程序,就可以创造出与原始图像相似的纹理。

  

  在后一篇论文《ANeuralAlgorithmofArtisticStyle》中,DeepArt为原来的纹理合成方法增加了新的一步,目标是模拟VGG网络中特征图的格拉姆矩阵,以得到一张风格相似但内容不同的图片。模拟图片的内容与纹理合成的方法类似,只不过标准不同:目标是直接模拟VGG网络深层过滤层的数值。步骤可以概括如下:

<上一页  1  2  3  4  下一页>  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号