随着人工智能技术的迅猛发展，ai绘画软件成为了艺术家们的得力助手，为创作者们开辟了一片崭新的天地。从传统的绘画到数字化的图像创作，ai绘画软件正在以其独特的方式重新定义着艺术的边界。那大家好奇这些软件是如何生成绘画的吗？好奇的小伙伴继续看下去吧，这篇文章从如何ai绘画到ai绘画图片怎么保存零基础教给你。先让我们来看看这些ai绘画软件生成的作品到底是怎么样的吧！教程一：使用“一键AI绘画”来生成绘画
图像处理三大任务人工智能大概分为两个方向:CV(图像处理)和NLP(自然语言处理)图像处理cv方向在图像处理中可分为三大任务,即图像分类,目标检测和图像分割图像分类把多种图像分类识别出来最优的代表网络:resnet网络和VGG系列网络例如把猫狗进行二分类目标检测把目标图像用回归框框出进行类别识别,对目标检测的网络可以分为两大派:一次检测和两次检测两次检测的最优的代表网络是faster rcnn系列
转载
2024-07-22 19:31:56
41阅读
参考文章：图像分割模型调优技巧，loss函数大盘点参考代码：Semantic-Segmentation-Loss-Functions
原创
2022-12-08 14:39:12
307阅读
好文mark “损失函数”是机器学习优化中至关重要的一部分。L1、L2损失函数相信大多数人都早已不陌生。那你了解Huber损失、Log-Cosh损失、以及常用于计算预测区间的分位数损失么？这些可都是机器学习大牛最常用的回归损失函数哦！机器学习中所有的算法都需要最大化或最小化一个函数，这个函数被称为“目标函数”。其中，我们一般把最小化的一类函数，称为“损失函数”。它能根据预测结果，衡量出模
前言最近在做小目标图像分割任务（医疗方向），往往一幅图像中只有一个或者两个目标，而且目标的像素比例比较小，使网络训练较为困难，一般可能有三种的解决方式：选择合适的loss function，对网络进行合理的优化，关注较小的目标。改变网络结构，使用attention机制（类别判断作为辅助）。与2的根本原理一致，类属attention，即：先检测目标区域，裁剪之后进行分割训练。通过使用设计合理的los
转载
2024-07-23 16:03:25
221阅读
图像分割（image segmentation）技术是计算机视觉领域的一个重要的研究方向，图像分割是计算机视觉中的一个关键过程。它包括将视觉输入分割成片段以简化图像分析。片段表示目标或目标的一部分，并由像素集或“超像素”组成。图像分割将像素组织成更大的部分，消除了将单个像素作为观察单位的需要。图像分析有三个层次：分类 - 将整幅图片分成“人”、“动物”、“户外”等类别目标检测
accuracy在分类问题最常看的指标就是accuracy，它的计算公式一般是由预测正确的样本数/总样本数。但是accuracy本身是个不可导的方程。在分类任务中，对于一个N类任务，输出就是一个N维的向量，向量每一个位置就代表了一种类别，对应位置的值就代表预测的目标属于该类的概率，对于猫狗的分类，输出向量为[0.2, 0.8],就表示输入的图属于猫的概率为0.2，属于狗的为0.8。在输出预测结果时
转载
2024-08-18 08:13:00
119阅读
Pixel2Mesh: Generating 3D Mesh Models from Single RGB ImagesPixel2Mesh[paper][code]一、Introduction从单一视角推断三维形状是人类视觉的一项基本功能，但对计算机视觉来说却是一项极具挑战性的工作。利用规则网格上的卷积层或多层感知，估计的三维形状作为神经网络的输出，可以表示为体积或点云。然而，这两
转载
2024-07-29 16:25:51
171阅读
一、交叉熵损失函数-cross entropy二分类交叉熵损失函数binary_crossentropy &
# 机器学习分析Loss图像：如何优化模型性能
在机器学习中，模型的性能通常通过损失函数（Loss Function）来衡量。损失函数反映了模型预测与真实值之间的差距。通过分析Loss图像，我们可以直观地理解模型的训练过程及其表现。本文将探讨如何分析Loss图像，并提供相应的代码示例，帮助为什么和如何使用这一分析工具。
## 什么是Loss？
在机器学习中，损失函数用于量化模型在特定输入上的
原创
2024-10-12 06:56:52
372阅读
1. 生成对抗网络的概念与公式1我们每次看生成对抗的公式，都会出现一个疑问，每次看懂之后，过一段时间遇到，还是得看半天，md，这一次记录下来！1.1 判别网络疑惑1： 13.30式，作者说判别网络的目标函数是最小化交叉熵。 我对于交叉熵的第一印象来源于相对熵，相对熵越小，两个分布的差异越小，交叉熵与相对熵差一个常数，所以交叉熵越小，两个分布的差异越小。 所以这里作者说判别网络的目标函数是最小化交叉
转载
2024-06-03 20:21:38
307阅读
HL越来越火，常用的HL软件也有好几个，而我 Deepfacelab 就是一种基于深度学习的软件，它可以把视频中的L替换成你想要的L。想想就很爽吧，但是这种对电脑的硬件依赖比较大，如显卡。而最近显卡价格的波动比较大，主要买不起，所以就拿游戏笔记本（GTX1060）做一个简单的样例。AI 换脸就是采用生成式对抗网络（GAN, Generative Adversarial Networks ）的人工智
转载
2024-07-08 15:15:45
136阅读
目录1. sigmoid + BCELoss2. BCEWithLogitsLoss3. gossip本篇文章是在做图像分割任务，关于损失函数的一些内容。这里需要的损失函数是：BCEWithLogitsLoss() 就是：sigmoid + BCELoss1. sigmoid + BCELoss接下来通过例子来讲解，例如图像分割的时候，网络输出的预测图像是2*2 的矩
转载
2024-04-11 13:22:02
151阅读
1.图像分类：卷积神经网络CNN图像分类概念 首先，图像分类是解决是什么的问题？ 如下图，给定一幅图片，网络能够给出“最像”什么的概率： 图像分类使用的技术•卷积神经网络CNN 它是计算机视觉中的基础网络,有监督深度模型时代的起点 AlexNet，VGG，GoogLeNet，ResNet，ResNeXt • GoogLeNet Inception V1 -> V2 -> V
转载
2024-04-12 14:14:26
33阅读
最近这一个月有三在知识星球里分享GAN在底层的图像处理中的相关应用，预计会再持续一个月，下面我们对其中的各个方向简单做一些介绍。作者&编辑 | 言有三1 GAN与图像降噪图像在产生和传输过程中都会受到噪声的干扰，因此图像降噪是一个非常基础的问题，生成式模型GAN在捕捉噪声的分布上有天然的优势。有三AI知识星球-网络结构1000变GAN-CNN Based Blind Denoiser
转载
2024-08-15 11:15:04
34阅读
GAN也叫做生成对抗网络，分为两部分，一个是生成网络G，一个是对抗网络D。生成网络和对抗网络进行竞争，生成模型可以被认为是造假者，他们试图制造假币并在不被发现的情况下使用它，而鉴别模型类似于警察，视图发现假币。在这个游戏中，竞争促使两个团队改进他们的方法，直到冒充的产品和正品无法区分。生成模型和判别模型都是多层感知器。噪声就是随机生成的数，通过生成器随机生成一张图。（所以生成器只能随机生成图像，不
先解释下为什么前缀有一个图像分类，是因为几乎所有的图像识别任务中，图像分类是一个基础功能，不分好类，何谈后续的处理。图像识别面对的挑战有：光线的变化，图像形变，图像遮挡，背景干扰等。。。。能想到的最简单的分类器是K-NN分类器,步骤如下：将当前图片和样本图片一一相减，在相加，取绝对值。按照距离排序（L1距离，L2距离）选取与距离最小的K个图像判断这K个图像属于哪个类别数目最多从步骤可以看出KNN的
转载
2024-05-17 06:30:54
90阅读
图像分割常见Loss最近在研究图像分割，由于自己之前没学习过，只能好好鼓捣，好久没写了。忙完分割项目总结一下。1、基于分类损失 ①：binary cross entropy 二分类的交叉熵损失函数 当类别数M等于2的时候，这个损失就是二元交叉熵Loss。 交叉熵Loss可以用在大多数语义分割场景中，但它有个缺点，那就是对于只用分割前景和背景的时候，当前景像素的数量远远小于背景像素的数量时，即y=0
转载
2024-03-25 21:45:42
106阅读
本文为 AI 研习社编译的技术博客，原标题 ：
Image Generator - Drawing Cartoons with Generative Adversarial Networks 作者 | Greg Surma 翻译 | GAOLILI 校对 | 酱番梨 审核 | 约翰逊 · 李加薪 整理 | 立鱼王 原文链接： ht
转载
2024-08-29 13:32:31
56阅读
Python在设计上坚持了清晰划一的风格，这使得Python成为一门易读、易维护，并且被大量用户所欢迎的、用途广泛的语言。python凭借着它的简单易学在零基础的学员中有着很重要的地位，那么大家在学习python的时候真的有了解python了吗?下面给大家讲解下python语言的优点：1、简单：python非常简单，非常适合人类阅读，与c语言相比，没有复杂的指指针，易于大多数初学者学习2、开源免费
