基於Tensorflow的CycleGAN測試(非成對影象風格遷移:橙子--> 蘋果)
影象風格遷移有兩種大的型別,一種是成對的,一種是非成對了。
成對的著名模型就是pix2pix,這種的例子,如從影像地圖轉換為向量地圖,從素描轉換為紋理圖等。這些的特點就是訓練資料集之間的成對的。
而非成對的,就是如從不同物體之間的轉換,如從橙子轉換為蘋果,或者不同季節之間的切換。
(http://img.mp.itc.cn/upload/20170527/6936b81df19f4038a076d41285e5d2f2_th.jpg,兩者之間的比較如這個網址的圖片所示。)
在上次實現了pix2pix之後,這回也嘗試著實現一下不成對的風格遷移,套路還是差不多的。著名就是cyclegan模型,這種模型也是需要從訓練集中(不同類的物體之間)尋找一種特徵對映,而這種對映的實現是基於GAN來實現的。
測試例子如下所示:
可以看到,在物體(巨集觀)之間的轉換,其結果是比較好的。
而一旦涉及到果實裡面的部分的比較時,這個就相對弱一些了。(效果不算好)
相關推薦
基於Tensorflow的CycleGAN測試(非成對影象風格遷移:橙子--> 蘋果)
影象風格遷移有兩種大的型別,一種是成對的,一種是非成對了。 成對的著名模型就是pix2pix,這種的例子,如從影像地圖轉換為向量地圖,從素描轉換為紋理圖等。這些的特點就是訓練資料集之間的成對的。 而非成對的,就是如從不同物體之間的轉換,如從橙子轉換為蘋果,或者不同季節之間
【機器學習筆記26】基於VGG16的影象風格遷移
Note: 本文主要是對論文及參考文獻【1】中程式碼的理解 概述 該演算法的本質是利用深度卷積網路對影象輸入的抽象,主要是三部分: 將風格影象輸入卷積神經網路,將某些層輸出作為風格特徵(做一次); 將內容影象輸入卷積神經網路,將某些層輸出作為內容特徵(做一
基於神經網路的影象風格遷移(一)
影象的風格遷移始於2015年Gates的論文“Image Style Transfer Using Convolutional Neural Networks”,所做的工作很好描述,就是由一張內容圖片和一張風格圖片進行融合之後,得到經風格渲染之後的合成圖片。示例如下
基於PyTorch的深度學習入門教程(八)——影象風格遷移
前言 本文介紹怎樣執行Neural-Style演算法。Neural-Style或者叫做Neural-Transfer,將一個內容影象和一個風格影象作為輸入,返回一個按照所選擇的風格影象加工的內容影象。 原理是非常簡單的:我們定義兩個距離,一個用於內容(Dc)
影象風格遷移【老版】
深度學習目前為止最有用的東西是影象處理,我們可以用它在極早期判斷癌症, 也可以用它在茫茫人海里尋找犯人,但是要我說你能寫一個小程式取悅女朋友, 你就不一定能信, 這一招叫藝術風格變換,就是你點選一下,就可以把你女朋友的大頭照換成一個畢加索的後現代藝術作品(當然是取代還是找打要
深度有趣 | 04 影象風格遷移
簡介 影象風格遷移是指,將一幅內容圖的內容,和一幅或多幅風格圖的風格融合在一起,從而生成一些有意思的圖片 以下是將一些藝術作品的風格,遷移到一張內容圖之後的效果 我們使用TensorFlow和Keras分別來實現影象風格遷移,主要用到深度學習中的卷積神經網路,
影象風格遷移docker內實驗詳細記錄
開發平臺: Ubuntu 16.04 安裝docker-ce, docker, nvidia-docker 1.1, docker-compose 預處理: 製作資料卷 nvidia_driver_38
機器學習筆記(二十二):TensorFlow實戰十四(影象風格遷移)
1 - 引言 相信大家都使用過一種濾鏡,可以把一張照片轉換成不同風格的照片,如下圖所示: 那麼我們就來利用TensorFlow來實現以下這個演算法,這個演算法出自Gatys的A Neural Algorithm of Artistic Style論文,十分有趣,讓我們來詳細的介紹一下這
生成模型--GAN用於影象風格遷移(Neural Style)
影象風格遷移(Neural Style) 關於紋理生成與風格遷移領域,在 2015 年前所有的關於影象紋理的論文都是手動建模的。 其中,紋理可以用影象區域性特徵的統計模型來描述。 而影象風格遷移比紋理生成還慘。因為紋理生成至少不管生成什麼樣子的紋理都
Flora影象風格遷移App
簡介 flora是我做的一個android app,主要是為了玩玩各種有意思的模組。 封裝了tensorflow lite影象風格轉化的模型,測試的時候用了兩個手機,是我跟同桌的舊手機,一款2015年的mi4,一款認不出型號的華為。在影象畫素1024*1024時,mi4光榮OOM了,華為正常,也許是因為華
pytorch實現影象風格遷移
首先定義兩個損失函式: 內容損失: class Content_loss(torch.nn.Module): # weight權重 控制風格的影響程度 target經過卷積獲取到的輸入影象的內容。 def __init__(self, weight, target
機器學習:利用卷積神經網路實現影象風格遷移 (一)
相信很多人都對之前大名鼎鼎的 Prisma 早有耳聞,Prisma 能夠將一張普通的影象轉換成各種藝術風格的影象,今天,我們將要介紹一下Prisma 這款軟體背後的演算法原理。就是發表於 2016 CVPR 一篇文章, “ Image Style Transf
影象風格遷移原理
所謂影象風格遷移,是指利用演算法學習著名畫作的風格,然後再把這種風格應用到另外一張圖片上的技術。著名的影象處理應用Prisma是利用風格遷移技術,普通使用者的照片自動變換為具有藝術家風格的圖片。 一、影象風格遷移的原理 1、原始影象風格遷移的原理 在學習原始的影象風格遷移之前,可以在先看看ImageNet
基於Metronic的Bootstrap開發框架經驗總結(18)-- 在代碼生成工具Database2Sharp中集成對Bootstrap-table插件的分頁及排序支持
關註 基礎 表頭 數據 database 一定的 處理 tree的使用 適合 在我們開發系統界面,包括Web和Winform的都一樣,主要的界面就是列表展示主界面,編輯查看界面,以及一些輔助性的如導入界面,選擇界面等,其中列表展示主界面是綜合性的數據展示界面,一般往往需要對
基於Tensorflow的影象風格轉換程式碼
影象風格轉換的概念部分,可以參考部落格:影象風格轉換(Image style transfer) 這裡是手動實現了這樣一個demo import os import math import numpy as np import tensorflow as tf from PIL im
基於Opencv3.0對影象進行透視變換
一,計算圖片 垂直拍攝的標定板 傾斜30度拍攝的標定板 待處理影象 二,矯正效果 矯正效果圖 二,原始碼 全域性變數 //#####################################
基於成對關係圖的姿態估計Articulated Pose Estimation by a Graphical Model with Image Dependent Pairwise Relations
基於影象成對相關關係圖模型的姿態估計 Articulated Pose Estimation by a Graphical Model with Image Dependent Pairwise Relations 原文地址:https://arxiv.org/abs/1407.3399 引
基於MTCNN的人臉自動對齊技術原理及其Tensorflow實現測試
人臉識別是計算機視覺研究領域的一個熱點。而人臉識別包含了諸多步驟,其實現技術流程如下圖所示(摘自http://www.techshino.com/upfiles/images/%E4%BA%BA%E8%84%B8%E8%AF%86%E5%88%AB%E6%8
對影象處理中的面向物件和基於基元的理解
面向物件是現代軟體開發的思想,是當前IT界關注的重點,是20世紀90年代以來軟體開發方法的主流。面向物件的 概念和應用不僅僅限於程式設計和軟體開發,已經擴充套件到很寬的範圍。 面向物件的影像分析技術即使在20世紀70年代就應用在遙感影像的解譯中。K
基於tensorflow實現影象風格的變換
Leon A. Gatys, Alexander S. Ecker, 和 Matthias Bethge 等人的論文“A Neural Algorithm of Artistic S