计算机视觉应用开发课件：损失计算_第1页
计算机视觉应用开发课件：损失计算_第2页
计算机视觉应用开发课件：损失计算_第3页
计算机视觉应用开发课件：损失计算_第4页
计算机视觉应用开发课件：损失计算_第5页
已阅读5页，还剩9页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

损失计算内容损失01任务风格损失02任务总损失03任务学习目标掌握内容损失和风格损失的计算方式掌握风格迁移的总损失计算方式1内容损失1内容损失在风格转移任务中，想让图像尽量在内容不变的情况下进行风格迁移。为了平衡这种关系，需要分别计算内容损失和风格损失，最后再通过系数相关计算出总损失。在网络中更靠近顶层的输出包含图像更加全局、更加抽象的信息（如羽毛，眼睛，房屋等），这也就对应上了原始图片上的内容信息。因此，内容损失很好的选择就是使用原始图像和生成图像在网络中较为顶层的输出（激活）的L2范数（也就是用原始图像在较为顶层中的输出和生成图像在较为顶层中的输出进行比较）。1内容损失L2范数，是反映估计量与被估计量之间差异的一种度量，计算的是预测值与真实值之差的平方和的平均值。数学公式如下：1内容损失这里我们可以定义内容损失函数为：2风格损失2风格损失相反，由纹理、颜色、视觉图案所表示的风格就在网络中较为底层的输出中。但是风格在网络中分布的较为广泛（风格是多尺度的），单单选择一层是不够的（内容损失就可以选择一层在稍微顶层的层中能提取到）。对于风格损失，在这里将使用层激活的格拉姆矩阵，即特征图的内积。这个内积可以被理解为一层特征图之间的映射关系，也就是抓住了图片特征的规律（即想索取的风格），可以在它身上找到想要的纹理外观。2风格损失风格总代价分为两个步骤：识别风格图像的风格，从所有卷积层中获取特征向量，将这些向量与另一层中的特征向量进行比较（查找其相关性）；原始（原始风格图像）和生成的图像之间的风格代价。为了找到风格，可以通过将特征图乘以其转置来捕获相关性，从而生成gram矩阵。先将提取的特征（生成的风格特征与风格参考图像的风格特征）进行gram矩阵计算，之后再对计算后的结果进行均方误差计算。2风格损失风格迁移中的Gram矩阵衡量的是不同特征之间的相关关系，计算流程如下：定义风格图片在网络第n层的Gram矩阵为Sn，内容图片（即待迁移图片）的Gram矩阵为Cn，则风格损失可以定义为：3总损失3总损失总损失的计算方式如下：其中loss_content，loss_style分别是内容损失和风格损失，

和

是平衡内容损失和风格损失的超参数。如果

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论