有两个模型：模型A和模型B。模型A的输出可以连接B的输入。将两个小模型连接成一个大模型，A-B，既可以同时训练又可以分离训练。
本文提出的金字塔池化模块( pyramid pooling module)能够聚合不同区域的上下文信息,从而提高获取全局信息的能力。实验表明这样的先验表示(即指代PSP这个结构)是有效的，在多个数据集上展现了优良的效果。
情绪检测或表情分类在深度学习领域中有着广泛的研究。使用相机和一些简单的代码我们就可以对情绪进行实时分类，这也是迈向高级人机交互的一步。
文本到图像的合成是生成对抗网络（GAN）的用例之一，它具有许多工业应用，就像前面章节中描述的 GAN 一样。 从文本描述中合成图像非常困难，因为要构建可以生成反映文本含义的图像的模型非常困难。 一个试图解决这个问题的网络是 StackGAN。 在本章中，我们将使用 TensorFlow 作为后端在 Keras 框架中实现 StackGAN。
生成对抗网络（Generative Adversarial Networks，GAN）最早由 Ian Goodfellow 在 2014 年提出，是目前深度学习领域最具潜力的研究成果之一。它的核心思想是：同时训练两个相互协作、同时又相互竞争的深度神经网络（一个称为生成器 Generator，另一个称为判别器 Discriminator）来处理无监督学习的相关问题。在训练过程中，两个网络最终都要学习如何处理任务。 通常，我们会用下面这个例子来说明 GAN 的原理：将警察视为判别器，制造假币的犯罪分子视为生
生成式对抗网络（GAN）是近期深度学习领域中最有前景的发展之一。 GAN由Ian Goodfellow于2014年推出，它通过分别训练两个相互竞争和合作的深度网络（称为生成器[Generator]和鉴别器[Discriminator]）来进军无监督学习的问题。 在训练过程中，两个网络最终都会学习到如何执行各自任务。
本博文中的代码，实现的是加载训练好的模型model_halcon_resenet.h5，并把该模型的参数赋值给两个不同的新的model。
上次的一篇文章说了下DenseNet，这一篇文章来说一下CRNN+CTC的识别原理以及实现过程。这篇文章原理部分主要参考于白裳老师的“一文读懂CRNN+CTC文字识别”，其中的CTC原理的讲解部分是我见过最清晰易懂的，值得好好读一下。
最近在使用Keras进行深度学习模型训练的过程中，遇到了一个错误：cannot import name 'BatchNormalization' from 'keras.layers.normalization'。经过一番调查和尝试，我找到了解决方法，现在和大家分享一下。
选自Sicara Blog 作者：Raphaël Meudec 机器之心编译 参与：陈韵竹、李泽南 2014 年，Ian Goodfellow 提出了生成对抗网络（GAN），今天，GAN 已经成为深度学习最热门的方向之一。本文将重点介绍如何利用 Keras 将 GAN 应用于图像去模糊（image deblurring）任务当中。 Keras 代码地址：https://github.com/RaphaelMeudec/deblur-gan 此外，请查阅 DeblurGAN 的原始论文（https://arx
AiTechYun 编辑：yuxiangyu 本文主要讨论使用生成式对抗网络实现图像去模糊。 代码：https://github.com/RaphaelMeudec/deblur-gan 生成对抗网
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
【导读】生成对抗网络（GAN）是Ian Goodfellow在2014年在其论文Generative Adversarial Nets中提出来的，可以说是当前最炙手可热的技术了。本文基于Keras框架构建GAN网络，解决图像锐化问题。首先介绍了GAN的基本网络架构，然后从数据、模型、训练等几个方面介绍GAN在图像锐化的应用。本文是一篇很好的GAN学习实例，并且给出了许多不错的GAN学习链接，对GAN感兴趣的读者不容错过！ 作者 | Raphaël Meudec 编译 | 专知 参与 | Li Yongxi,
Fast Segmentation Convolutional Neural Network (Fast- scnn)是一种针对高分辨率图像数据的实时语义分割模型，适用于低内存嵌入式设备上的高效计算。原论文的作者是：Rudra PK Poudel, Stephan Liwicki and Roberto Cipolla。本文中使用的代码并不是作者的正式实现，而是我对论文中描述的模型的重构的尝试。
卷积神经网络被大规模的应用在分类任务中，输出的结果是整个图像的类标签。但是UNet是像素级分类，输出的则是每个像素点的类别，且不同类别的像素会显示不同颜色，UNet常常用在生物医学图像上，而该任务中图片数据往往较少。所以，Ciresan等人训练了一个卷积神经网络，用滑动窗口提供像素的周围区域（patch）作为输入来预测每个像素的类标签。这个网络有两个优点：（1）输出结果可以定位出目标类别的位置；（2）由于输入的训练数据是patches，这样就相当于进行了数据增强，从而解决了生物医学图像数量少的问题。
在本章中，我们将研究生成对抗网络（GAN）。 它们是一种深度神经网络架构，它使用无监督的机器学习来生成数据。 他们在 2014 年由 Ian Goodfellow，Yoshua Bengio 和 Aaron Courville 的论文中介绍，可在以下链接中找到。 GAN 具有许多应用，包括图像生成和药物开发。
在很多机器学习或者深度学习的任务中，往往我们要提供自己的图片。也就是说我们的数据集不是预先处理好的，像mnist，cifar10等它已经给你处理好了，更多的是原始的图片。比如我们以猫狗分类为例。在data文件下，有两个分别为train和val的文件夹。然后train下是cat和dog两个文件夹，里面存的是自己的图片数据，val文件夹同train。这样我们的数据集就准备好了。
本文由Oliver Cui根据实战经验，撰稿而成，同时他也是「视觉IMAX」知识星球特邀嘉宾。
由于AlexNet采用的是LRN标准化,Keras没有内置函数实现,这里用batchNormalization代替
卷积网络被大规模应用在分类任务中，输出的结果是整个图像的类标签。然而，在许多视觉任务，尤其是生物医学图像处理领域，目标输出应该包括目标类别的位置，并且每个像素都应该有类标签。另外，在生物医学图像往往缺少训练图片。所以，Ciresan等人训练了一个卷积神经网络，用滑动窗口提供像素的周围区域（patch）作为输入来预测每个像素的类标签。
刚才边写这个，别跑程序，偏偏没有选择自动保存，因此没得了，一个字也没有给我留下来，消耗了我所有的耐心。
新神经网络架构设计的最新进展之一是注意力模块的引入。首次出现在在NLP 上的注意力背后的主要思想是为数据的重要部分添加权重。在卷积神经网络的情况下，第一个注意机制是在卷积块注意模型中提出的。其中注意机制分为两个部分:通道注意模块和空间注意模块。
上一章通过简单模型（一堆Conv2D和MaxPooling2D层）和一个简单的用例（二进制图像分类）为您介绍了计算机视觉的深度学习。但是，计算机视觉不仅仅是图像分类！本章将深入探讨更多不同应用和高级最佳实践。
给照片或者视频中的人物头发换颜色，这个技术已经在手机app诸如天天P图，美图秀秀等应用中使用，并获得了不少用户的青睐。如何给照片或者视频中的人物头发换发色？换发色算法流程如下图所示：
当使用拟合模型进行预测时，也可以应用图像数据增强技术，以允许模型对测试数据集中每幅图像的多个不同版本进行预测。对增强图像的预测可以取平均值，从而获得更好的预测性能。
【导读】ResNet在2015年名声大噪，影响了2016年DL在学术界和工业界的发展方向。它对每一层的输入做一个reference，形成残差函数。残差用来设计解决深度网络退化问题，同时也解决了梯度消失
上两个月参加了个比赛，做的是对遥感高清图像做语义分割，美其名曰“天空之眼”。这两周数据挖掘课期末project我们组选的课题也是遥感图像的语义分割，所以刚好又把前段时间做的成果重新整理和加强了一下，故写了这篇文章，记录一下用深度学习做遥感图像语义分割的完整流程以及一些好的思路和技巧。 数据集 首先介绍一下数据，我们这次采用的数据集是CCF大数据比赛提供的数据（2015年中国南方某城市的高清遥感图像），这是一个小数据集，里面包含了5张带标注的大尺寸RGB遥感图像（尺寸范围从3000×3000到6000×600
我在刚接触的pytorch的时候，只有一台破笔记本，学到CNN的时候，需要用显卡训练模型，那时的我，兜比脸干净，此生头一次感觉到贫穷限制了我对知识的追求。
生成对抗网络(Generative Adversarial Network，简称GAN)，主要结构包括一个生成器G（Generator）和一个判别器D（Discriminator）。
目前为止，介绍的神经网络模型都是通过Sequential模型来实现的。Sequential模型假设神经网络模型只有一个输入一个输出，而且模型的网络层是线性堆叠在一起的。
之前需要做一个图像分类模型，因为刚入门，拿cifar10数据集练了下手，试了几种优化方案和不同的模型效果，这里就统一总结一下这段学习经历。
卷积神经网络的输入是一个固定大小的224×224 RGB图像。做的唯一预处理是从每个像素中减去在训练集上计算的RGB平均值。图像通过一堆卷积(conv.)层传递，我们使用带有非常小的接受域的过滤器:3×3(这是捕捉左/右、上/下、中间概念的最小大小)。在其中一种配置中，我们还使用了1×1的卷积滤波器，它可以看作是输入通道的线性变换(其次是非线性)。卷积步幅固定为1像素;凹凸层输入的空间填充是卷积后保持空间分辨率，即3×3凹凸层的填充为1像素。空间池化由五个最大池化层执行，它们遵循一些对流层(不是所有对流层都遵循最大池化)。最大池是在一个2×2像素的窗口上执行的，步长为2。
语义分割是计算机视觉中的关键概念之一，语义分割允许计算机通过按类型对图像中的对象进行颜色编码。GAN建立在基于真实内容的基础上复制和生成原始内容的概念上，这使它们适合于在街景图像上进行语义分割的任务，不同部分的分割使在环境中导航的代理能够适当地发挥作用。
Keras 是更高级的框架，对普通模型来说很友好，但是要实现更复杂的模型需要 TensorFlow 等低级的框架
在以上代码中，我们首先import各种模型对应的module，然后load模型，并用ImageNet的参数初始化模型的参数。
最近开始设计新的领域啦，语义分割也是图像处理一个非常重要的应用方向，我查了很多资料苦于如何入门，接下来给大家讲讲里面比较基础的segnet模型。在下一个BLOG我会跟大家讲怎么训练自己的segnet模型。
安妮 编译整理自 Madebyollin博客 量子位 报道 | 公众号 QbitAI 你应该对阿卡贝拉(Acapella)不陌生吧。这种无伴奏合唱的纯音乐起源于中世纪的教会音乐，虽曾一度濒临灭绝，但在今天人们又开始怀念起这种纯人声合唱。 这阵猝不及防“Acapella热”仿佛唤起人们对这种原始音乐形式的渴望。很多音乐人发现将纯人声清唱用来混音听觉效果很好，但无奈纯人声资源目前很难寻找。因此，音乐论坛中尝尝出现“一曲难求”的景象。 幸运的是，坐落于华盛顿大学的程序猿Ollin Boer Bohan(T
生成对抗网络（Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。
你或许看过这篇访问量过12万的博客ResNet解析，但该博客的第一小节ResNet和吴恩达的叙述完全不同，因此博主对这篇博文持怀疑态度，你可以在这篇博文最下面找到提出该网络的论文链接，这篇博文可以作为研读这篇论文的基础。
您现在对 Keras 有了一些经验——您熟悉 Sequential 模型、Dense 层以及用于训练、评估和推断的内置 API——compile()、fit()、evaluate() 和 predict()。您甚至在第三章中学习了如何从 Layer 类继承以创建自定义层，以及如何使用 TensorFlow 的 GradientTape 实现逐步训练循环。
U-Net最初是用来对医学图像的语义分割，后来也有人将其应用于其他领域。但大多还是用来进行二分类，即将原始图像分成两个灰度级或者色度，依次找到图像中感兴趣的目标部分。
运行结果：Found 1600 validated image filenames belonging to 2 classes.
在一个排列不变性的数据上神经网络是困难的。拼图游戏就是这种类型的数据，那么神经网络能解决一个2x2的拼图游戏吗? 什么是置换不变性（Permutation Invariance）? 如果一个函数的输出
论文题目：Deep Residual Learning for Image Recognition
我们都可以就一个问题达成共识，那就是“数字无处不在”。无论您是在办公室，厨房，当地的超级市场等等，我们始终都被数字包围。您的笔记本电脑具有HDD存储器，您要购买的蔬菜具有数字价格，您具有高度，天气温度以数字摄氏度（在我的位置是52）进行测量。
这一次我们讲讲keras这个简单、流行的深度学习框架，一个图像分类任务从训练到测试出结果的全流程。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
