概述：

介紹我們使用的深度學(xué)習(xí)模型和ReLu6

介紹如何使用深度學(xué)習(xí)生成模糊背景

介紹

背景模糊效果是一種常見的圖像效果，主要用于拍攝特寫鏡頭上。它可以給我們的圖像增加了一種深度感，突出關(guān)注圖像的某一部分。為了獲得這種效果，我們通常使用一些照片編輯應(yīng)用程序，例如Photoshop，Gimp，Picsart，Snapseed等，但隨著時間的推移，我們在計算機(jī)視覺和使用深度學(xué)習(xí)的圖像處理方面取得了顯著改善，我們可以使用深度學(xué)習(xí)來獲得這種效果。在本文中，會引導(dǎo)你完成完整的實(shí)現(xiàn)以及代碼和一些理論方面的知識，以便更好地理解相關(guān)內(nèi)容。

目錄

實(shí)現(xiàn)原理

我們使用的深度學(xué)習(xí)模型

ReLu6

實(shí)施

得分

結(jié)論

1． 實(shí)現(xiàn)原理

基本上，我們的整個目標(biāo)是基于稱為圖像分割的卷積神經(jīng)網(wǎng)絡(luò)的高級實(shí)現(xiàn)。我們都熟悉CNN，它用于基于圖像輸入標(biāo)簽數(shù)量圖像分類，但是，假設(shè)為此必須在給定圖像中標(biāo)識特定對象，我們必須使用對象檢測和圖像分割的概念。

這是圖像分類和檢測的經(jīng)典示例，其中如果在單個圖像中有多個類別的對象可用，那么我們在進(jìn)行對象檢測的過程中，一旦找到了多個對象的坐標(biāo)，則給定圖像將經(jīng)過ROIPooling（region of interest pooling），對這些對象進(jìn)行分類，并在每個標(biāo)識的對象周圍繪制邊框。由于邊界框僅顯示對象在圖像內(nèi)部的位置，所以不會提供有關(guān)對象形狀的任何信息。簡而言之，圖像分割是將圖像像素分為小部分或片段，并根據(jù)相似的信息或?qū)傩詫⑺鼈兎纸M并為其分配標(biāo)簽的過程，這有助于捕獲像素級別的非常小的細(xì)節(jié)。分割會為圖像中的每個已識別對象創(chuàng)建一個像素級模板，請看下面的圖片，其主要目的是以這種方式訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其可以提供圖像的像素級模板。

2． 我們使用的深度學(xué)習(xí)模型

在了解圖像分割概念知乎，接下來讓我們看一下要使用的模型，即在coco數(shù)據(jù)集上訓(xùn)練的mobilenetv2。mobilenetv2是一種輕量級模型，可以在手機(jī)等低功耗設(shè)備上使用，這是2017年發(fā)布的mobilenetv1模型的第二個版本。現(xiàn)在讓我們簡要了解模型架構(gòu)。

v2是基于v1的，因此它繼承了相同的深度方向的可分離卷積，其中包括深度方向的卷積和點(diǎn)方向的卷積，從而降低了卷積操作的成本。深度卷積簡單地說，假設(shè)一幅圖像包含3個通道，那么每個內(nèi)核將分別在每個通道上迭代。例如，你有一張（10 x 10 x 3）的圖像和（3 x 3 x 1）的3個濾波器，那么結(jié)果輸出將是一個（8 x 8 x 1）這樣的濾波器，之后所有其他濾波器的輸出濾波器堆疊在一起，形成由（8 x 8 x 3）組成的特征圖。在逐點(diǎn)卷積中，我們采用（8 x 8 x 3）的先前特征圖，并應(yīng)用大小為（1 x 1 x 3）的過濾器，如果應(yīng)用了15個此類濾波器，則最終結(jié)果將疊加起來形成（8 x 8 x 15）的特征圖。mobilenetv2對v1進(jìn)行了一些改進(jìn)，例如實(shí)現(xiàn)了反向殘差，線性瓶頸和殘差連接。