【学习记录】《DeepLearning.ai》第十三课:特殊应用:人脸识别和神经风格转换(Specialapoplications:Face recognition&Neural style transfer)

简介: 2021/9/13

第十三课:特殊应用:人脸识别和神经风格转换(Specialapoplications:Face recognition&Neural style transfer)

4.1 什么是人脸识别?

科普

人脸识别可能一个人的识别准确率是99%,那么100个人的识别可能需要更高的准确率,99.9%等等。


4.2 One-Shot学习

人脸识别所面临的一个挑战就是需要解决一次学习问题,要想让人脸识别做到一次学习,应该使用Similarity函数,如下图:

image

查看输入的两张图片(img1,img2)的差异性,如果差异性小于一个数,说明相同,差异性大于一个数,说明不相同。

image


4.3 Siamese网络(Siamese network)

image

image

Siamese网络就是首先定义了一个编码函数,对于输入的函数,能够输出一个128维编码,如果两个输入对应的输出的范数比较小,就是同一个人,相反,就是不同的人。


4.4 Triplet损失

定义三元组损失函数然后应用梯度下降

image

image

上面的公式是损失函数,给出3个图片,A、P、N,其中A和P是同一个人,A和N是不同的人,定义损失函数如上,$+\alpha$​是为了防止损失函数大于0,损失函数的目的是确保损失函数等于0。

只要损失函数小于0,则损失函数就是0.

上面的A、P、N就是三元组。

三元组的选择不能太随意,要选择很难训练的A、P、N。下图是解释:

image


4.5 人脸验证与二分类(Face verification and binary classification)

可以把人脸识别当做二分类问题。

定义输出$\widehat{y}$如下:

image

image

如果相同输出1,相反输出0

4.6 神经风格迁移(Neural style transfer)

image

不得不说,第二张合成图好阴间。。。

C表示内容图像,S表示风格图像,G表示生成的图像。


4.7 深度卷积网络学习什么?(What are deep ConvNets learning?)

image

网络第一层能检测出一些边缘或颜色阴影等,随着层数的加深,能够检测到更复杂的东西。图中举例的每个方框代表了不同的9个代表性神经元。


4.8 神经风格迁移系统的代价函数

image

神经风格迁移系统的代价函数:

$$ J(G)=\alpha {J_{content}}(C,G)+\beta J_{style}(S,G) $$

第一个是内容代价函数,第二个是风格代价函数。

前面的系数表示权重

image

上面定义了一个生成图片G的代价函数,并将其最小化。


4.9 内容代价函数(Content cost function)

用$a^{[l][C]}$​和$a^{[l][G]}$​来代表两个图片C和G的l层的激活函数值。如果两个激活值相似,那么就意味着两个图片的内容相似,因此:

内容代价函数:

$$ J_{content}(C,G)=\frac{1}{2}||a^{[l][C]}-a^{[l][G]}||^2 $$

通过超参数$\alpha$来调整代价函数。


4.10 风格代价函数(Style cost function)

没怎么看懂,给出了一个风格代价函数。


4.11 一维和三维推广

之前讲的卷积都是在2D上讨论的,当然可以以相同的方式来推广到1D和3D空间。


OVER!

相关文章
|
1月前
|
机器学习/深度学习 数据采集 人工智能
AI赋能教育:深度学习在个性化学习系统中的应用
【10月更文挑战第26天】随着人工智能的发展,深度学习技术正逐步应用于教育领域,特别是个性化学习系统中。通过分析学生的学习数据,深度学习模型能够精准预测学生的学习表现,并为其推荐合适的学习资源和规划学习路径,从而提供更加高效、有趣和个性化的学习体验。
92 9
|
26天前
|
人工智能 自然语言处理 搜索推荐
AI辅助教育:个性化学习的新纪元
【10月更文挑战第31天】随着人工智能(AI)技术的发展,教育领域迎来了一场前所未有的变革。AI辅助教育通过智能推荐、语音助手、评估系统和虚拟助教等应用,实现了个性化学习,提升了教学效率。本文探讨了AI如何重塑教育模式,以及个性化学习在新时代教育中的重要性。
|
28天前
|
机器学习/深度学习 人工智能 自然语言处理
探索AI驱动的个性化学习平台构建###
【10月更文挑战第29天】 本文将深入探讨如何利用人工智能技术,特别是机器学习与大数据分析,构建一个能够提供高度个性化学习体验的在线平台。我们将分析当前在线教育的挑战,提出通过智能算法实现内容定制、学习路径优化及实时反馈机制的技术方案,以期为不同背景和需求的学习者创造更加高效、互动的学习环境。 ###
55 3
|
2月前
|
机器学习/深度学习 人工智能 Cloud Native
在AI师傅(AI-Shifu.com)学习通义灵码的旅程
在这个数字化时代,编程技能愈发重要。通过AI师傅平台,我接触并学习了阿里云推出的通义灵码。从初识到深入学习,我系统掌握了云计算基础、云原生技术、数据库管理和大数据与人工智能等方面的知识。通过实践项目,我不仅巩固了理论,还提升了实际操作能力。通义灵码的易用性和强大功能,让我对云计算有了全新认识。感谢AI师傅提供的学习机会,推荐大家参与征文活动,共同分享学习成果。
|
2月前
|
人工智能
|
1月前
|
安全 搜索推荐 机器学习/深度学习
AI赋能教育:深度学习在个性化学习系统中的应用
【10月更文挑战第26天】在人工智能的推动下,个性化学习系统逐渐成为教育领域的重要趋势。深度学习作为AI的核心技术,在构建个性化学习系统中发挥关键作用。本文探讨了深度学习在个性化推荐系统、智能辅导系统和学习行为分析中的应用,并提供了代码示例,展示了如何使用Keras构建模型预测学生对课程的兴趣。尽管面临数据隐私和模型可解释性等挑战,深度学习仍有望为教育带来更个性化和高效的学习体验。
89 0
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
AI大模型学习
本文概述了AI大模型学习的五个主要方向:理论基础、训练与优化、特定领域应用、伦理与社会影响,以及未来发展趋势与挑战。
84 1
|
2月前
|
人工智能 搜索推荐 算法
AI与未来教育:个性化学习的实践
【10月更文挑战第3天】在21世纪科技浪潮中,人工智能(AI)正重塑教育领域,尤其在个性化学习方面展现出巨大潜力。本文探讨了AI如何通过智能评估、定制化学习路径、情感识别及虚拟助教等方式,提升教育质量和效率,激发每个学生的学习潜能。尽管面临数据隐私和技术普及等挑战,AI与未来教育的融合正开启新篇章,有望实现真正的“因材施教”。
|
3月前
|
机器学习/深度学习 存储 人工智能
AI(文生语音)-TTS 技术线路探索学习:从拼接式参数化方法到Tacotron端到端输出
【9月更文挑战第1天】AI(文生语音)-TTS 技术线路探索学习:从拼接式参数化方法到Tacotron端到端输出
AI(文生语音)-TTS 技术线路探索学习:从拼接式参数化方法到Tacotron端到端输出
|
4月前
|
机器学习/深度学习 人工智能 PyTorch
面向AI Native应用的高效迁移学习策略
【8月更文第1天】随着人工智能技术的发展,越来越多的应用场景需要定制化的AI解决方案。然而,从零开始训练一个深度学习模型往往需要大量的标注数据和计算资源。迁移学习提供了一种有效的方法来解决这个问题,它利用预训练模型的知识,通过少量的数据就能达到很好的性能。本文将深入探讨面向AI Native应用的高效迁移学习策略,并通过实例展示如何针对具体场景进行模型微调。
260 6
面向AI Native应用的高效迁移学习策略

热门文章

最新文章