CV:利用人工智能算法让古代皇帝画像以及古代四大美女画像动起来(模仿偶像胡歌剧中角色表情动作)

简介: CV:利用人工智能算法让古代皇帝画像以及古代四大美女画像动起来(模仿偶像胡歌剧中角色表情动作)


导读:本论文来自NeurIPS2019,该算法中主要采用一阶运动模型的思想,用一组自学习的关键点和局部仿射变换,建立了复杂运动模型。模型由运动估计模块和图像生成模块两个主要部分组成。首先进行关键点检测,然后根据关键点,进行运动估计,最后使用图像生成模块,生成最终效果。

额,哈哈,不好意思了,又拿我的偶像胡歌下手啦,视频截取来源偶像胡歌在《猎场》中的一角色。

目录

利用人工智能算法让经典图片根据自定义动作嗨起来(将一张静态人像图片转为带表情动作视频)

相关论文

输出结果

利用人工智能算法让古代皇帝画像动起来(模仿偶像胡歌《猎场》剧中角色表情动作)

利用人工智能算法让古代四大美女画像动起来

实现代码

依赖环境

导出当前依赖环境txt文档


作品视频链接

利用人工智能算法,让古代皇帝画像动起来(模仿偶像胡歌《猎场》剧中角色表情动作)

利用人工智能算法让古代美女《西施、王昭君、貂蝉、杨玉环四大美女领衔》画像动起来

利用人工智能算法让经典图片根据自定义动作嗨起来(将一张静态人像图片转为带表情动作视频)

相关论文

Paper:《First Order Motion Model for Image Animation》翻译与解读

输出结果

利用人工智能算法让古代皇帝画像动起来(模仿偶像胡歌《猎场》剧中角色表情动作)

利用人工智能算法让古代四大美女画像动起来

实现代码

1. import imageio
2. import torch
3. from tqdm import tqdm
4. from animate import normalize_kp
5. from demo import load_checkpoints
6. import numpy as np
7. import matplotlib.pyplot as plt
8. import matplotlib.animation as animation
9. from skimage import img_as_ubyte
10. from skimage.transform import resize
11. import cv2
12. import os
13. import argparse
14. 
15. ap = argparse.ArgumentParser()
16. ap.add_argument("-i", "--input_image", required=True,help="Path to image to animate")
17. ap.add_argument("-c", "--checkpoint", required=True,help="Path to checkpoint")
18. ap.add_argument("-v","--input_video", required=False, help="Path to video input")
19. 
20. args = vars(ap.parse_args())
21. 
22. print("[INFO] loading source image and checkpoint...")
23. source_path = args['input_image']
24. checkpoint_path = args['checkpoint']
25. if args['input_video']:
26.     video_path = args['input_video']
27. else:
28.     video_path = None
29. source_image = imageio.imread(source_path)
30. source_image = resize(source_image,(256,256))[..., :3]
31. 
32. generator, kp_detector = load_checkpoints(config_path='config/vox-256.yaml', checkpoint_path=checkpoint_path)
33. 
34. if not os.path.exists('output'):
35.     os.mkdir('output')
36. 
37. 
38. relative=True
39. adapt_movement_scale=True
40. cpu=False
41. 
42. if video_path:
43.     cap = cv2.VideoCapture(video_path) 
44. print("[INFO] Loading video from the given path")
45. else:
46.     cap = cv2.VideoCapture(0)
47. print("[INFO] Initializing front camera...")
48. 
49. fourcc = cv2.VideoWriter_fourcc(*'MJPG')
50. out1 = cv2.VideoWriter('output/Animation_HuGe_02.avi', fourcc, 12, (256*3 , 256), True)
51. 
52. cv2_source = cv2.cvtColor(source_image.astype('float32'),cv2.COLOR_BGR2RGB)
53. with torch.no_grad() :
54.     predictions = []
55.     source = torch.tensor(source_image[np.newaxis].astype(np.float32)).permute(0, 3, 1, 2)
56. if not cpu:
57.         source = source.cuda()
58.     kp_source = kp_detector(source)
59.     count = 0
60. while(True):
61.         ret, frame = cap.read()
62.         frame = cv2.flip(frame,1)
63. if ret == True:
64. 
65. if not video_path:
66.                 x = 143
67.                 y = 87
68.                 w = 322
69.                 h = 322
70.                 frame = frame[y:y+h,x:x+w]
71.             frame1 = resize(frame,(256,256))[..., :3]
72. 
73. if count == 0:
74.                 source_image1 = frame1
75.                 source1 = torch.tensor(source_image1[np.newaxis].astype(np.float32)).permute(0, 3, 1, 2)
76.                 kp_driving_initial = kp_detector(source1)
77. 
78.             frame_test = torch.tensor(frame1[np.newaxis].astype(np.float32)).permute(0, 3, 1, 2)
79. 
80.             driving_frame = frame_test
81. if not cpu:
82.                 driving_frame = driving_frame.cuda()
83.             kp_driving = kp_detector(driving_frame)
84.             kp_norm = normalize_kp(kp_source=kp_source,
85.                                 kp_driving=kp_driving,
86.                                 kp_driving_initial=kp_driving_initial, 
87.                                 use_relative_movement=relative,
88.                                 use_relative_jacobian=relative, 
89.                                 adapt_movement_scale=adapt_movement_scale)
90.             out = generator(source, kp_source=kp_source, kp_driving=kp_norm)
91.             predictions.append(np.transpose(out['prediction'].data.cpu().numpy(), [0, 2, 3, 1])[0])
92.             im = np.transpose(out['prediction'].data.cpu().numpy(), [0, 2, 3, 1])[0]
93.             im = cv2.cvtColor(im,cv2.COLOR_RGB2BGR)
94.             joinedFrame = np.concatenate((cv2_source,im,frame1),axis=1)
95. 
96.             cv2.imshow('Test',joinedFrame)
97.             out1.write(img_as_ubyte(joinedFrame))
98.             count += 1
99. if cv2.waitKey(20) & 0xFF == ord('q'):
100. break
101. else:
102. break
103. 
104.     cap.release()
105.     out1.release()
106.     cv2.destroyAllWindows()

依赖环境

1. C:\Users\Administrator>conda activate F:\File_Anaconda\project_py37\envs
2. 
3. (F:\File_Anaconda\project_py37\envs) C:\Users\Administrator>conda list
4. # packages in environment at F:\File_Anaconda\project_py37\envs:
5. #
6. # Name                    Version                   Build  Channel
7. attrs                     19.3.0                   pypi_0    pypi
8. backcall                  0.1.0                    pypi_0    pypi
9. blas                      1.0                         mkl    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
10. bleach                    3.1.5                    pypi_0    pypi
11. ca-certificates           2021.10.26           haa95532_2    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
12. certifi                   2021.10.8        py37haa95532_0    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
13. cffi                      1.11.5                   pypi_0    pypi
14. cloudpickle               0.5.3                    pypi_0    pypi
15. colorama                  0.4.3                    pypi_0    pypi
16. cpuonly                   2.0                           0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch
17. cudatoolkit               8.0                           4    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
18. cycler                    0.10.0                   pypi_0    pypi
19. dask                      0.18.2                   pypi_0    pypi
20. decorator                 4.3.0                    pypi_0    pypi
21. defusedxml                0.6.0                    pypi_0    pypi
22. entrypoints               0.3                      pypi_0    pypi
23. freetype                  2.10.4               hd328e21_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
24. imageio                   2.3.0                    pypi_0    pypi
25. importlib-metadata        1.6.0                    pypi_0    pypi
26. intel-openmp              2021.4.0          haa95532_3556    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
27. ipykernel                 5.2.1                    pypi_0    pypi
28. ipython                   7.14.0                   pypi_0    pypi
29. ipython-genutils          0.2.0                    pypi_0    pypi
30. jedi                      0.17.0                   pypi_0    pypi
31. jinja2                    2.11.2                   pypi_0    pypi
32. jpeg                      9d                   h2bbff1b_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
33. jsonschema                3.2.0                    pypi_0    pypi
34. jupyter-client            6.1.3                    pypi_0    pypi
35. jupyter-core              4.6.3                    pypi_0    pypi
36. kiwisolver                1.0.1                    pypi_0    pypi
37. libpng                    1.6.37               h2a8f88b_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
38. libtiff                   4.2.0                hd0e1b90_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
39. libuv                     1.40.0               he774522_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
40. libwebp                   1.2.0                h2bbff1b_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
41. lz4-c                     1.9.3                h2bbff1b_1    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
42. markupsafe                1.1.1                    pypi_0    pypi
43. matplotlib                2.2.2                    pypi_0    pypi
44. mistune                   0.8.4                    pypi_0    pypi
45. mkl                       2021.4.0           haa95532_640    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
46. mkl-service               2.4.0            py37h2bbff1b_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
47. mkl_fft                   1.3.1            py37h277e83a_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
48. mkl_random                1.2.2            py37hf11a4ad_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
49. nbconvert                 5.6.1                    pypi_0    pypi
50. nbformat                  5.0.6                    pypi_0    pypi
51. networkx                  2.1                      pypi_0    pypi
52. ninja                     1.10.2           py37h559b2a2_3    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
53. notebook                  6.0.3                    pypi_0    pypi
54. numpy                     1.15.0                   pypi_0    pypi
55. olefile                   0.46                     py37_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
56. opencv-python             4.2.0.34                 pypi_0    pypi
57. openssl                   1.1.1l               h2bbff1b_0    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
58. packaging                 20.4                     pypi_0    pypi
59. pandas                    0.23.4                   pypi_0    pypi
60. pandocfilters             1.4.2                    pypi_0    pypi
61. parso                     0.7.0                    pypi_0    pypi
62. pickleshare               0.7.5                    pypi_0    pypi
63. pillow                    5.2.0                    pypi_0    pypi
64. pip                       21.2.4           py37haa95532_0    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
65. prometheus-client         0.7.1                    pypi_0    pypi
66. prompt-toolkit            3.0.5                    pypi_0    pypi
67. pycparser                 2.18                     pypi_0    pypi
68. pygit                     0.1                      pypi_0    pypi
69. pygments                  2.6.1                    pypi_0    pypi
70. pyparsing                 2.2.0                    pypi_0    pypi
71. pyrsistent                0.16.0                   pypi_0    pypi
72. python                    3.7.11               h6244533_0    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
73. python-dateutil           2.7.3                    pypi_0    pypi
74. pytorch                   1.0.1           py3.7_cuda80_cudnn7_1    https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch
75. pytorch-mutex             1.0                         cpu    https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch
76. pytz                      2018.5                   pypi_0    pypi
77. pywavelets                0.5.2                    pypi_0    pypi
78. pywin32                   227                      pypi_0    pypi
79. pywinpty                  0.5.7                    pypi_0    pypi
80. pyyaml                    5.1                      pypi_0    pypi
81. pyzmq                     19.0.1                   pypi_0    pypi
82. scikit-image              0.14.0                   pypi_0    pypi
83. scikit-learn              0.19.2                   pypi_0    pypi
84. scipy                     1.1.0                    pypi_0    pypi
85. send2trash                1.5.0                    pypi_0    pypi
86. setuptools                58.0.4           py37haa95532_0    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
87. six                       1.11.0                   pypi_0    pypi
88. sqlite                    3.36.0               h2bbff1b_0    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
89. terminado                 0.8.3                    pypi_0    pypi
90. testpath                  0.4.4                    pypi_0    pypi
91. tk                        8.6.11               h2bbff1b_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
92. toolz                     0.9.0                    pypi_0    pypi
93. torchvision               0.2.2                      py_3    https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch
94. tornado                   6.0.4                    pypi_0    pypi
95. tqdm                      4.24.0                   pypi_0    pypi
96. traitlets                 4.3.3                    pypi_0    pypi
97. typing_extensions         3.10.0.2           pyh06a4308_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
98. vc                        14.2                 h21ff451_1    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
99. vs2015_runtime            14.27.29016          h5e58377_2    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
100. wcwidth                   0.1.9                    pypi_0    pypi
101. webencodings              0.5.1                    pypi_0    pypi
102. wheel                     0.37.0             pyhd3eb1b0_1    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
103. wincertstore              0.2              py37haa95532_2    http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
104. xz                        5.2.5                h62dcd97_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
105. zipp                      3.1.0                    pypi_0    pypi
106. zlib                      1.2.11               h62dcd97_4    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
107. zstd                      1.4.9                h19a0ad4_0    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main

导出当前依赖环境txt文档

1. F:\File_Anaconda\project_py37\RealTimeImageAnimation>conda activate F:\File_Anaconda\project_py37\envs
2. 
3. (F:\File_Anaconda\project_py37\envs) F:\File_Anaconda\project_py37\RealTimeImageAnimation>conda list -e > requirements2020.txt
4. 
5. 
6. # This file may be used to create an environment using:
7. # $ conda create --name <env> --file <this file>
8. # platform: win-64
9. attrs=19.3.0=pypi_0
10. backcall=0.1.0=pypi_0
11. blas=1.0=mkl
12. bleach=3.1.5=pypi_0
13. ca-certificates=2021.10.26=haa95532_2
14. certifi=2021.10.8=py37haa95532_0
15. cffi=1.11.5=pypi_0
16. cloudpickle=0.5.3=pypi_0
17. colorama=0.4.3=pypi_0
18. cpuonly=2.0=0
19. cudatoolkit=8.0=4
20. cycler=0.10.0=pypi_0
21. dask=0.18.2=pypi_0
22. decorator=4.3.0=pypi_0
23. defusedxml=0.6.0=pypi_0
24. entrypoints=0.3=pypi_0
25. freetype=2.10.4=hd328e21_0
26. imageio=2.3.0=pypi_0
27. importlib-metadata=1.6.0=pypi_0
28. intel-openmp=2021.4.0=haa95532_3556
29. ipykernel=5.2.1=pypi_0
30. ipython=7.14.0=pypi_0
31. ipython-genutils=0.2.0=pypi_0
32. jedi=0.17.0=pypi_0
33. jinja2=2.11.2=pypi_0
34. jpeg=9d=h2bbff1b_0
35. jsonschema=3.2.0=pypi_0
36. jupyter-client=6.1.3=pypi_0
37. jupyter-core=4.6.3=pypi_0
38. kiwisolver=1.0.1=pypi_0
39. libpng=1.6.37=h2a8f88b_0
40. libtiff=4.2.0=hd0e1b90_0
41. libuv=1.40.0=he774522_0
42. libwebp=1.2.0=h2bbff1b_0
43. lz4-c=1.9.3=h2bbff1b_1
44. markupsafe=1.1.1=pypi_0
45. matplotlib=2.2.2=pypi_0
46. mistune=0.8.4=pypi_0
47. mkl=2021.4.0=haa95532_640
48. mkl-service=2.4.0=py37h2bbff1b_0
49. mkl_fft=1.3.1=py37h277e83a_0
50. mkl_random=1.2.2=py37hf11a4ad_0
51. nbconvert=5.6.1=pypi_0
52. nbformat=5.0.6=pypi_0
53. networkx=2.1=pypi_0
54. ninja=1.10.2=py37h559b2a2_3
55. notebook=6.0.3=pypi_0
56. numpy=1.15.0=pypi_0
57. olefile=0.46=py37_0
58. opencv-python=4.2.0.34=pypi_0
59. openssl=1.1.1l=h2bbff1b_0
60. packaging=20.4=pypi_0
61. pandas=0.23.4=pypi_0
62. pandocfilters=1.4.2=pypi_0
63. parso=0.7.0=pypi_0
64. pickleshare=0.7.5=pypi_0
65. pillow=5.2.0=pypi_0
66. pip=21.2.4=py37haa95532_0
67. prometheus-client=0.7.1=pypi_0
68. prompt-toolkit=3.0.5=pypi_0
69. pycparser=2.18=pypi_0
70. pygit=0.1=pypi_0
71. pygments=2.6.1=pypi_0
72. pyparsing=2.2.0=pypi_0
73. pyrsistent=0.16.0=pypi_0
74. python=3.7.11=h6244533_0
75. python-dateutil=2.7.3=pypi_0
76. pytorch=1.0.1=py3.7_cuda80_cudnn7_1
77. pytorch-mutex=1.0=cpu
78. pytz=2018.5=pypi_0
79. pywavelets=0.5.2=pypi_0
80. pywin32=227=pypi_0
81. pywinpty=0.5.7=pypi_0
82. pyyaml=5.1=pypi_0
83. pyzmq=19.0.1=pypi_0
84. scikit-image=0.14.0=pypi_0
85. scikit-learn=0.19.2=pypi_0
86. scipy=1.1.0=pypi_0
87. send2trash=1.5.0=pypi_0
88. setuptools=58.0.4=py37haa95532_0
89. six=1.11.0=pypi_0
90. sqlite=3.36.0=h2bbff1b_0
91. terminado=0.8.3=pypi_0
92. testpath=0.4.4=pypi_0
93. tk=8.6.11=h2bbff1b_0
94. toolz=0.9.0=pypi_0
95. torchvision=0.2.2=py_3
96. tornado=6.0.4=pypi_0
97. tqdm=4.24.0=pypi_0
98. traitlets=4.3.3=pypi_0
99. typing_extensions=3.10.0.2=pyh06a4308_0
100. vc=14.2=h21ff451_1
101. vs2015_runtime=14.27.29016=h5e58377_2
102. wcwidth=0.1.9=pypi_0
103. webencodings=0.5.1=pypi_0
104. wheel=0.37.0=pyhd3eb1b0_1
105. wincertstore=0.2=py37haa95532_2
106. xz=5.2.5=h62dcd97_0
107. zipp=3.1.0=pypi_0
108. zlib=1.2.11=h62dcd97_4
109. zstd=1.4.9=h19a0ad4_0
110.


相关文章
|
1月前
|
传感器 人工智能 监控
智慧工地 AI 算法方案
智慧工地AI算法方案通过集成多种AI算法,实现对工地现场的全方位安全监控、精准质量检测和智能进度管理。该方案涵盖平台层、展现层与应用层、基础层,利用AI技术提升工地管理的效率和安全性,减少人工巡检成本,提高施工质量和进度管理的准确性。方案具备算法精准高效、系统集成度高、可扩展性强和成本效益显著等优势,适用于人员安全管理、施工质量监控和施工进度管理等多个场景。
|
12天前
|
机器学习/深度学习 人工智能 算法
猫狗宠物识别系统Python+TensorFlow+人工智能+深度学习+卷积网络算法
宠物识别系统使用Python和TensorFlow搭建卷积神经网络,基于37种常见猫狗数据集训练高精度模型,并保存为h5格式。通过Django框架搭建Web平台,用户上传宠物图片即可识别其名称,提供便捷的宠物识别服务。
159 55
|
1月前
|
传感器 人工智能 监控
智慧电厂AI算法方案
智慧电厂AI算法方案通过深度学习和机器学习技术,实现设备故障预测、发电运行优化、安全监控和环保管理。方案涵盖平台层、展现层、应用层和基础层,具备精准诊断、智能优化、全方位监控等优势,助力电厂提升效率、降低成本、保障安全和环保合规。
智慧电厂AI算法方案
|
22天前
|
机器学习/深度学习 人工智能 算法
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
宠物识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了37种常见的猫狗宠物种类数据集【'阿比西尼亚猫(Abyssinian)', '孟加拉猫(Bengal)', '暹罗猫(Birman)', '孟买猫(Bombay)', '英国短毛猫(British Shorthair)', '埃及猫(Egyptian Mau)', '缅因猫(Maine Coon)', '波斯猫(Persian)', '布偶猫(Ragdoll)', '俄罗斯蓝猫(Russian Blue)', '暹罗猫(Siamese)', '斯芬克斯猫(Sphynx)', '美国斗牛犬
122 29
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
|
20天前
|
机器学习/深度学习 缓存 人工智能
【AI系统】QNNPack 算法
QNNPACK是Marat Dukhan开发的量化神经网络计算加速库,专为移动端优化,性能卓越。本文介绍QNNPACK的实现,包括间接卷积算法、内存重排和间接缓冲区等关键技术,有效解决了传统Im2Col+GEMM方法存在的空间消耗大、缓存效率低等问题,显著提升了量化神经网络的计算效率。
32 6
【AI系统】QNNPack 算法
|
20天前
|
存储 人工智能 缓存
【AI系统】Im2Col 算法
Caffe 作为早期的 AI 框架,采用 Im2Col 方法优化卷积计算。Im2Col 将卷积操作转换为矩阵乘法,通过将输入数据重排为连续内存中的矩阵,减少内存访问次数,提高计算效率。该方法首先将输入图像转换为矩阵,然后利用 GEMM 库加速计算,最后将结果转换回原格式。这种方式显著提升了卷积计算的速度,尤其适用于通道数较多的卷积层。
45 5
【AI系统】Im2Col 算法
|
20天前
|
存储 机器学习/深度学习 人工智能
【AI系统】Winograd 算法
本文详细介绍Winograd优化算法,该算法通过增加加法操作来减少乘法操作,从而加速卷积计算。文章首先回顾Im2Col技术和空间组合优化,然后深入讲解Winograd算法原理及其在一维和二维卷积中的应用,最后讨论算法的局限性和实现步骤。Winograd算法在特定卷积参数下表现优异,但其应用范围受限。
30 2
【AI系统】Winograd 算法
|
8天前
|
人工智能 算法
AI+脱口秀,笑点能靠算法创造吗
脱口秀是一种通过幽默诙谐的语言、夸张的表情与动作引发观众笑声的表演艺术。每位演员独具风格,内容涵盖个人情感、家庭琐事及社会热点。尽管我尝试用AI生成脱口秀段子,但AI缺乏真实的情感共鸣和即兴创作能力,生成的内容显得不够自然生动,难以触及人心深处的笑点。例如,AI生成的段子虽然流畅,却少了那份不期而遇的惊喜和激情,无法真正打动观众。 简介:脱口秀是通过幽默语言和夸张表演引发笑声的艺术形式,AI生成的段子虽流畅但缺乏情感共鸣和即兴创作力,难以达到真人表演的效果。
|
1月前
|
机器学习/深度学习 传感器 人工智能
智慧无人机AI算法方案
智慧无人机AI算法方案通过集成先进的AI技术和多传感器融合,实现了无人机的自主飞行、智能避障、高效数据处理及多机协同作业,显著提升了无人机在复杂环境下的作业能力和安全性。该方案广泛应用于航拍测绘、巡检监测、应急救援和物流配送等领域,能够有效降低人工成本,提高任务执行效率和数据处理速度。
智慧无人机AI算法方案
|
24天前
|
存储 人工智能 缓存
【AI系统】布局转换原理与算法
数据布局转换技术通过优化内存中数据的排布,提升程序执行效率,特别是对于缓存性能的影响显著。本文介绍了数据在内存中的排布方式,包括内存对齐、大小端存储等概念,并详细探讨了张量数据在内存中的排布,如行优先与列优先排布,以及在深度学习中常见的NCHW与NHWC两种数据布局方式。这些布局方式的选择直接影响到程序的性能,尤其是在GPU和CPU上的表现。此外,还讨论了连续与非连续张量的概念及其对性能的影响。
46 3