• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于遷移學(xué)習(xí)的名家畫(huà)作數(shù)字化識(shí)別與分類

    2021-03-23 09:39:04趙連軍
    關(guān)鍵詞:畫(huà)作準(zhǔn)確率卷積

    鄧 旭,趙連軍,郇 靜

    (山東理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,山東 淄博 255000)

    0 引 言

    藝術(shù)家識(shí)別是指在沒(méi)有其它元數(shù)據(jù)的情況下,僅給定圖像的情況下識(shí)別作品的藝術(shù)家。這一領(lǐng)域的專家需要很長(zhǎng)時(shí)間來(lái)學(xué)習(xí)各種藝術(shù)家的風(fēng)格,然后才能分析繪畫(huà)作品。此外,即使具有專業(yè)知識(shí),藝術(shù)家的身份也很難確定,因?yàn)橐粋€(gè)藝術(shù)家的風(fēng)格在不同的繪畫(huà)作品中有很大的差異。通過(guò)機(jī)器學(xué)習(xí),可以為專家提供基本估計(jì),以減少必要的時(shí)間和精力,并使經(jīng)驗(yàn)不足的人更容易識(shí)別藝術(shù)家身份。

    在這項(xiàng)工作中,前人做了很多工作。Qian等主要是將自然圖像進(jìn)行油畫(huà)、粉筆畫(huà)等藝術(shù)風(fēng)格模擬,或者是針對(duì)油畫(huà)等西方畫(huà)進(jìn)行藝術(shù)風(fēng)格分析[1]。Wang等提出了復(fù)合特征的自適應(yīng)遴選及對(duì)水墨畫(huà)風(fēng)格描述的優(yōu)化,其還通過(guò)提取多種底層異構(gòu)視覺(jué)特征對(duì)國(guó)畫(huà)風(fēng)格進(jìn)行描述,對(duì)國(guó)畫(huà)作者進(jìn)行分類預(yù)測(cè)[2]。Saleh和Elgammal使用了GIST、Classemes和PiCoDes特征[3]。Misumi等利用SIFT特征對(duì)3種不同風(fēng)格的作品進(jìn)行分類[4]。Sahu等利用局部二元模式(local binary patterns)、顏色直方圖(color histograms)、HOG和GIST對(duì)作品美學(xué)評(píng)估分類[5]。

    近年來(lái),深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型在圖像識(shí)別上取得了很大的進(jìn)步,例如在ImageNet上top-5分類的錯(cuò)誤率僅有3.6%[6]。相比于淺層的特征提取,深度學(xué)習(xí)的深層網(wǎng)絡(luò)結(jié)構(gòu)可以逐層進(jìn)行特征提取,這些特征更容易被分類識(shí)別。

    卷積神經(jīng)網(wǎng)絡(luò)(CNNs)能夠?qū)D像內(nèi)容和圖像風(fēng)格分開(kāi)識(shí)別,并通過(guò)風(fēng)格遷移可以將一幅畫(huà)的藝術(shù)風(fēng)格遷移到另一幅畫(huà)上面[7,8]。Li等通過(guò)將VGG-F模型直接應(yīng)用于中國(guó)畫(huà)作風(fēng)格識(shí)別問(wèn)題,取得了很好的成果[9]。

    深度學(xué)習(xí)可提取圖像特征,應(yīng)用于字體手寫識(shí)別、人類圖像識(shí)別、目標(biāo)檢測(cè)等方面[10]。近年來(lái),深度學(xué)習(xí)也被用于圖像細(xì)粒度分析與分類的研究,取得了很好的結(jié)果[11-14],通過(guò)遷移學(xué)習(xí)分類也有不錯(cuò)的效果[15]。

    卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)目標(biāo)特征需要花費(fèi)大量的機(jī)器運(yùn)算時(shí)間,預(yù)訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型(PretrainedCNN)具有良好的可遷移性。遷移學(xué)習(xí)既可以確保較為理想的訓(xùn)練效果,又可以節(jié)省大量的訓(xùn)練時(shí)間。遷移學(xué)習(xí)近年來(lái)成為圖像識(shí)別領(lǐng)域的主要方法。

    基于上述分析,針對(duì)藝術(shù)家識(shí)別,提出了一種基于 ImageNet 的ResNet-50遷移學(xué)習(xí)方法。ResNet-50能自動(dòng)學(xué)習(xí)訓(xùn)練數(shù)據(jù)中的低層次信息,得到更詳細(xì)高層的特征數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明,基于ImageNet的ResNet-50的遷移學(xué)習(xí)預(yù)訓(xùn)練模型在識(shí)別準(zhǔn)確率方面效果最優(yōu)。實(shí)驗(yàn)還通過(guò)顯著圖[16]驗(yàn)證了畫(huà)家藝術(shù)風(fēng)格分布在整幅畫(huà)作中,通過(guò)風(fēng)格遷移[7]驗(yàn)證畫(huà)家的藝術(shù)風(fēng)格能被神經(jīng)網(wǎng)絡(luò)學(xué)習(xí),同時(shí)實(shí)驗(yàn)基于DenseNet-201[17]的遷移學(xué)習(xí)進(jìn)行對(duì)比實(shí)驗(yàn)。

    1 基于深度學(xué)習(xí)畫(huà)家識(shí)別系統(tǒng)

    1.1 深度殘差神經(jīng)網(wǎng)絡(luò)原理

    深度神經(jīng)網(wǎng)絡(luò)層數(shù)的不斷增加,模型精度不斷得到提升,但當(dāng)網(wǎng)絡(luò)層級(jí)增加到一定以后,測(cè)試正確率和訓(xùn)練正確率迅速下降,這說(shuō)明當(dāng)神經(jīng)網(wǎng)絡(luò)層數(shù)變多以后,深度神經(jīng)網(wǎng)絡(luò)難以訓(xùn)練。針對(duì)這個(gè)問(wèn)題,深度殘差網(wǎng)絡(luò)提出了捷徑連接(shortcut connections)。

    CNN隨著深度的增加會(huì)出現(xiàn)梯度消失問(wèn)題,一般的卷積神經(jīng)網(wǎng)絡(luò)隱藏層直接會(huì)存在特征圖丟失、不完整問(wèn)題。殘差網(wǎng)絡(luò)是CNN的一種特殊結(jié)構(gòu),ResNet引入了殘差網(wǎng)絡(luò)結(jié)構(gòu),通過(guò)這種殘差網(wǎng)絡(luò)結(jié)構(gòu),一般隨著深度的增加,識(shí)別效果會(huì)越好。

    殘差網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示,在圖1的殘差網(wǎng)絡(luò)結(jié)構(gòu)中,通過(guò)捷徑連接的方式,直接把輸入傳到輸出,這條連接沒(méi)有權(quán)重,可以避免特征圖丟失問(wèn)題。

    圖1 殘差網(wǎng)絡(luò)基本結(jié)構(gòu)

    1.2 深度學(xué)習(xí)模型

    遷移學(xué)習(xí)的目的是為了將原領(lǐng)域?qū)W習(xí)的信息應(yīng)用推廣到新領(lǐng)域。本文為了驗(yàn)證深度神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)有效,訓(xùn)練了2個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比,分別是基于ImageNet遷移學(xué)習(xí)的ResNet-50和DenseNet-201這2個(gè)模型。

    1.2.1 遷移學(xué)習(xí)的ResNet-50

    基于ResNet-50結(jié)構(gòu)的遷移學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)見(jiàn)表1,遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)權(quán)重來(lái)自ImageNet數(shù)據(jù)集的預(yù)訓(xùn)練權(quán)重。其它與前一個(gè)神經(jīng)網(wǎng)絡(luò)一樣,將ResNet-50全連接的層替換為23維新的連接層,用來(lái)計(jì)算數(shù)據(jù)集中每個(gè)藝術(shù)家的得分。

    表1 ResNet-50卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    基于ImageNet的ResNet-50的遷移學(xué)習(xí)有效地減少了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)特征時(shí)間,原因在于一些從文藝復(fù)興開(kāi)始的藝術(shù)家,通常在繪畫(huà)時(shí)都會(huì)畫(huà)出栩栩如生的場(chǎng)景,這些場(chǎng)景描繪都能直接代表現(xiàn)實(shí)世界的畫(huà)面,這些圖畫(huà)和ImageNet數(shù)據(jù)集里面的圖面有相似之處。

    1.2.2 DenseNet-201

    DenseNet采用的是一種更密集的連接方式,是一個(gè)密集卷積神經(jīng)網(wǎng)絡(luò),以前向傳播方式,將每一層與其余層密集連接。這樣做的目的是可以確保各層之間的信息流動(dòng)達(dá)到最大,將所有層(特征圖大小匹配)直接連接在一起。DenseNet有著4個(gè)顯著特點(diǎn):①緩解了梯度消失問(wèn)題;②增強(qiáng)了特征在網(wǎng)絡(luò)間的傳播;③實(shí)現(xiàn)和加強(qiáng)了特征重用;④有效減少了參數(shù)數(shù)量。本文主要使用了DenseNet-201卷積神經(jīng)網(wǎng)絡(luò),具體見(jiàn)表2。

    表2 DenseNet-201卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

    1.3 分類方法

    實(shí)驗(yàn)訓(xùn)練了兩種不同的CNN模型來(lái)識(shí)別分類畫(huà)家。每個(gè)神經(jīng)網(wǎng)絡(luò)模型都是基于3×224×224RGB圖像輸入,輸出數(shù)據(jù)集的23個(gè)畫(huà)家得分。

    對(duì)于兩個(gè)神經(jīng)網(wǎng)絡(luò)模型,使用SoftMax分類和交叉熵?fù)p失

    (1)

    式中:Li表示在訓(xùn)練集中第i作品的損失。f是神經(jīng)網(wǎng)絡(luò)計(jì)算分?jǐn)?shù)的方法,j表示23個(gè)可能的選擇中的一個(gè)。yi表示正確類型。這個(gè)損失函數(shù)能保證神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集中能最大化正確畫(huà)家的分?jǐn)?shù)。

    2 實(shí)驗(yàn)與結(jié)果分析

    2.1 實(shí)驗(yàn)數(shù)據(jù)集與數(shù)據(jù)處理

    為了訓(xùn)練CNN模型識(shí)別畫(huà)家,使用WikiArt數(shù)據(jù)集,整個(gè)數(shù)據(jù)集包括2300位畫(huà)家的超過(guò)100 000幅作品,這些作品的時(shí)間和風(fēng)格跨越廣度非常廣,數(shù)據(jù)集有抽象派、寫實(shí)派、人物畫(huà)、風(fēng)景畫(huà)、水墨畫(huà)、油畫(huà)。

    整個(gè)數(shù)據(jù)集中的絕大多數(shù)藝術(shù)家只有不到50幅繪畫(huà)作品,因此為了確保訓(xùn)練網(wǎng)絡(luò)有足夠的樣本量,實(shí)驗(yàn)只使用數(shù)據(jù)集中有400幅或更多繪畫(huà)作品的藝術(shù)家。為了保證每位藝術(shù)家畫(huà)作數(shù)量平衡,這些畫(huà)家畫(huà)作只取400幅。因此,數(shù)據(jù)集來(lái)自23位藝術(shù)家的400幅作品組成(總共9200幅)。實(shí)驗(yàn)將每個(gè)藝術(shù)家畫(huà)作按80-10-10的分割將此數(shù)據(jù)集分割為訓(xùn)練集驗(yàn)證集和測(cè)試集。因此,數(shù)據(jù)集中每個(gè)藝術(shù)家320幅畫(huà)作作為訓(xùn)練集,40幅畫(huà)作作為驗(yàn)證集,40幅畫(huà)作作為測(cè)試集。這個(gè)數(shù)據(jù)集比以前的工作中使用的數(shù)據(jù)集要大得多,圖2給出了數(shù)據(jù)集部分樣本。

    圖2 WikiArt數(shù)據(jù)集

    如圖2所示,數(shù)據(jù)集中的畫(huà)作有不同形狀和大小,所以在將圖像傳送到CNN之前會(huì)對(duì)其進(jìn)行修改。將圖像歸零并進(jìn)行標(biāo)準(zhǔn)化,在訓(xùn)練網(wǎng)絡(luò)的同時(shí),隨機(jī)對(duì)繪畫(huà)的任意部分進(jìn)行裁剪,每個(gè)輸入圖像進(jìn)行224×224像素裁剪,這種隨機(jī)性增加了訓(xùn)練數(shù)據(jù)的多樣性,有助于避免過(guò)度擬合。在驗(yàn)證和測(cè)試圖像時(shí),實(shí)驗(yàn)也是對(duì)圖像進(jìn)行隨機(jī)224×224像素裁剪,以確保結(jié)果的穩(wěn)定性和可重復(fù)性。實(shí)驗(yàn)假設(shè)藝術(shù)家的風(fēng)格在圖像中無(wú)處不在,而不僅僅局限于特定的區(qū)域,所以繪畫(huà)作品的隨機(jī)裁剪可以包含足夠的信息供CNN確定風(fēng)格。

    2.2 實(shí)驗(yàn)設(shè)置與環(huán)境

    模型訓(xùn)練與測(cè)試均是在PyTorch框架下完成的。實(shí)驗(yàn)都是在云平臺(tái)完成,使用GTX1080TiGPU,16 G內(nèi)存和200 GB存儲(chǔ)空間。

    實(shí)驗(yàn)通過(guò)Adam update rule訓(xùn)練兩個(gè)模型。遷移學(xué)習(xí)的ResNet-50和DenseNet-201的神經(jīng)網(wǎng)絡(luò),使用默認(rèn) Adam 參數(shù),learning-rate=10-3,實(shí)驗(yàn)可以觀察到訓(xùn)練和驗(yàn)證數(shù)據(jù)集在整個(gè)訓(xùn)練階段的準(zhǔn)確性和損失,當(dāng)神經(jīng)網(wǎng)絡(luò)性能不再提升的時(shí)候,將learning-rate降低10倍,直到最后神經(jīng)網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率不再提高。

    2.3 實(shí)驗(yàn)?zāi)P蛯?duì)比與分析

    2.3.1 實(shí)驗(yàn)結(jié)果對(duì)比

    如表3所示,實(shí)驗(yàn)對(duì)比了5個(gè)神經(jīng)網(wǎng)絡(luò)模型,可以看到top-1的Precision,Recall和F1準(zhǔn)確率。

    實(shí)驗(yàn)與文獻(xiàn)[15]進(jìn)行對(duì)比,后者展示了3個(gè)神經(jīng)網(wǎng)絡(luò)分類的準(zhǔn)確性。 Precision,Recall和的F1定義如下

    (2)

    表3 藝術(shù)家分類結(jié)果總結(jié)

    (3)

    (4)

    其中,TruePositives和FalsePositives分別表示正樣本被正確識(shí)別和錯(cuò)誤識(shí)別的個(gè)數(shù),TrueNegetives和FalseNege-tives則分別表示負(fù)樣本被正確識(shí)別和錯(cuò)誤識(shí)別的個(gè)數(shù)。

    表3比較了不同模型的CNN在關(guān)鍵指標(biāo)中的準(zhǔn)確性對(duì)比,基于遷移學(xué)習(xí)的ResNet-50的神經(jīng)網(wǎng)絡(luò)的性能優(yōu)于文獻(xiàn)[15]中的3種神經(jīng)網(wǎng)絡(luò)模型,同時(shí)優(yōu)于DenseNet-201模型,實(shí)驗(yàn)結(jié)果表明并不是神經(jīng)網(wǎng)絡(luò)更深效果更好。

    2.3.2 實(shí)驗(yàn)結(jié)果分析

    圖3表示兩個(gè)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練中準(zhǔn)確率的變化,如圖3(a)所示實(shí)驗(yàn)發(fā)現(xiàn)基于遷移學(xué)習(xí)的ResNet-50開(kāi)始訓(xùn)練模型,訓(xùn)練集和有效集的兩個(gè)模型準(zhǔn)確率提升曲線相似。實(shí)驗(yàn)分為4個(gè)階段,每個(gè)階段4次epochs訓(xùn)練,每個(gè)階段完成后學(xué)習(xí)率下降10倍,如圖3(a)所示第一階段訓(xùn)練集和有效集的準(zhǔn)確率都得到提高,其中第二階段準(zhǔn)確率提高并不明顯,第三階段準(zhǔn)確提高迅速,可見(jiàn)不同的學(xué)習(xí)率對(duì)神經(jīng)網(wǎng)絡(luò)模型有不同提高效果,第四階段表示神經(jīng)網(wǎng)絡(luò)已不再提高。

    圖3 3種不同模型的準(zhǔn)確率

    圖3(b)所示,DenseNet-201CNN模型初始準(zhǔn)確率非常高,后面準(zhǔn)確率提高的非常緩慢,多次訓(xùn)練后準(zhǔn)確率最高達(dá)到70%。DenseNet-201開(kāi)始學(xué)習(xí)的模型第一階段明顯提升,將learning-rate縮小10倍時(shí),第二階段對(duì)準(zhǔn)確率有一個(gè)曲線上升。第三階段沒(méi)有提升,而且準(zhǔn)確率相對(duì)較低,實(shí)驗(yàn)驗(yàn)證ResNet-50神經(jīng)網(wǎng)絡(luò)相對(duì)DenseNet-201神經(jīng)網(wǎng)絡(luò)在藝術(shù)家畫(huà)作識(shí)別上效果更好。

    2.4 混淆矩陣

    實(shí)驗(yàn)考查了基于ResNet-50和DenseNet-201的遷移學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在正確分類方面遇到的困難。圖4顯示了兩個(gè)混淆矩陣,該矩陣是使用Torchnet for Pythorch計(jì)算的。每一列表示每個(gè)藝術(shù)家畫(huà)家預(yù)測(cè)分類,因?yàn)閷?shí)驗(yàn)數(shù)據(jù)集中有23個(gè)藝術(shù)家,為清晰起見(jiàn),圖中省略了矩陣上的標(biāo)簽。理想情況下實(shí)驗(yàn)希望盡可能多地預(yù)測(cè)集中在對(duì)角線上,這意味著神經(jīng)網(wǎng)絡(luò)正確地預(yù)測(cè)了正確的藝術(shù)家。

    圖4 測(cè)試集上混亂矩陣對(duì)于top-1分類準(zhǔn)確率

    測(cè)試集中每個(gè)藝術(shù)家有40幅畫(huà),測(cè)試集中混淆矩陣中單元格最大值為40??梢钥吹?,對(duì)大多數(shù)藝術(shù)家來(lái)說(shuō),對(duì)角線上的數(shù)值都是較大的,這表明大多數(shù)繪畫(huà)作品都被正確分類。倒數(shù)第二位藝術(shù)家Salvador_Dali是預(yù)測(cè)正確最少的,在ResNet-50測(cè)試數(shù)據(jù)集中,他40幅作品中只有22幅是正確預(yù)測(cè)。在DenseNet-50測(cè)試數(shù)據(jù)集中,他40幅作品中只有14幅是正確預(yù)測(cè)。Dali是一位具有非凡才能和想象力的藝術(shù)家,他的作品把怪異夢(mèng)境般的形象與卓越的繪圖技術(shù)和受文藝復(fù)興大師影響的繪畫(huà)技巧令人驚奇地混合在一起,他的藝術(shù)風(fēng)格與其它藝術(shù)家的交叉重疊,所以他的畫(huà)作極易分辨錯(cuò)誤,這表明具有多種風(fēng)格的藝術(shù)家畫(huà)作極易分類錯(cuò)誤。

    2.5 顯著圖

    計(jì)算顯著性首先計(jì)算神經(jīng)網(wǎng)絡(luò)正確的類分?jǐn)?shù)相對(duì)于輸入圖像的梯度,然后在計(jì)算的梯度的RGB這3個(gè)信道上取最大值。用于計(jì)算顯著性圖M的方程如公式所示,其中w是相對(duì)于正確類的導(dǎo)數(shù),c是顏色通道Mij是圖像中的位置,h(i,j,c) 是與原始圖像中i,j,c相對(duì)應(yīng)的w的索引[14]

    Mij=max|wh(i,j,c)|

    (5)

    顯著圖能夠可視化圖像中的哪些像素對(duì)該圖像的預(yù)測(cè)分?jǐn)?shù)貢獻(xiàn)最大。實(shí)驗(yàn)實(shí)現(xiàn)了藝術(shù)家識(shí)別的顯著圖,以確定繪畫(huà)的哪些部分對(duì)于預(yù)測(cè)藝術(shù)家有重大影響。

    圖5展示了不同畫(huà)家作品的顯著圖,圖6展示了同一個(gè)畫(huà)家不同作品的顯著圖。在這些繪畫(huà)顯著圖中,畫(huà)作中物體或人并不是影響分類最明顯的地方,因?yàn)橛绊懛诸惖南袼胤植颊麄€(gè)畫(huà)作。實(shí)驗(yàn)檢查了許多其它繪畫(huà)的顯著性地圖,發(fā)現(xiàn)在大多數(shù)繪畫(huà)中,影響預(yù)測(cè)的像素分布在整個(gè)圖像,而不是集中在其中的物體或人周圍。因?yàn)樗囆g(shù)家畫(huà)作風(fēng)格存在于整個(gè)圖畫(huà)中,表明預(yù)處理數(shù)據(jù)隨機(jī)切割圖像并不會(huì)影響繪畫(huà)的風(fēng)格,證明假設(shè)正確。

    圖5 不同畫(huà)家畫(huà)作的顯著圖

    圖6 同一個(gè)畫(huà)家不同畫(huà)作的顯著圖

    2.6 風(fēng)格遷移

    實(shí)驗(yàn)將一個(gè)畫(huà)家藝術(shù)風(fēng)格遷移到另一個(gè)畫(huà)家畫(huà)作上,然后通過(guò)這幅畫(huà)作在神經(jīng)網(wǎng)絡(luò)中分類從而得出藝術(shù)家風(fēng)格能被神經(jīng)網(wǎng)絡(luò)識(shí)別。圖7使一座城堡的原畫(huà)經(jīng)過(guò)Max Ernet的風(fēng)格遷移,并且在基于遷移學(xué)習(xí)的ResNet-50模型顯示top 5預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)Max Ernst最可能是這幅畫(huà)的畫(huà)家,意味神經(jīng)網(wǎng)絡(luò)能獨(dú)自預(yù)測(cè)的繪畫(huà)風(fēng)格,而不是看重它的繪畫(huà)內(nèi)容,神經(jīng)網(wǎng)絡(luò)可以分開(kāi)理解繪畫(huà)內(nèi)容和繪畫(huà)風(fēng)格。遷移學(xué)習(xí)的ResNet-50模型對(duì)遷移風(fēng)格圖像進(jìn)行了大量實(shí)驗(yàn),雖然神經(jīng)網(wǎng)絡(luò)并沒(méi)有每次為正確的藝術(shù)家產(chǎn)生最高的分?jǐn)?shù),但正確的藝術(shù)家通常在前5名,進(jìn)一步證實(shí)藝術(shù)家的風(fēng)格確實(shí)能被卷積神經(jīng)網(wǎng)絡(luò)理解。

    圖7 基于Max Ernst風(fēng)格遷移的畫(huà)作畫(huà)家預(yù)測(cè)

    3 結(jié)束語(yǔ)

    本文提出了一種基于ImageNet預(yù)訓(xùn)練ResNet-50的遷移學(xué)習(xí)方法。通過(guò)遷移學(xué)習(xí)ResNet-50和DenseNet-201這2個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)比,驗(yàn)證基于遷移學(xué)習(xí)ResNet-50識(shí)別效果最好。實(shí)驗(yàn)通過(guò)顯著圖驗(yàn)證藝術(shù)家風(fēng)格存在于整幅畫(huà)作中,其次通過(guò)風(fēng)格遷移實(shí)驗(yàn)驗(yàn)證藝術(shù)家風(fēng)格能被神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)。雖然本文方法對(duì)藝術(shù)家識(shí)別取得一定效果,但如2.4節(jié)所說(shuō)基于ImageNet預(yù)訓(xùn)練ResNet-50卷積神經(jīng)網(wǎng)絡(luò)在畫(huà)家具有多種風(fēng)格時(shí),分類正確率一般,如何更加準(zhǔn)確識(shí)別具有多種藝術(shù)風(fēng)格的畫(huà)家是未來(lái)主要研究方向。

    猜你喜歡
    畫(huà)作準(zhǔn)確率卷積
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    學(xué)生畫(huà)作欣賞
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    “我心中的航天夢(mèng)”畫(huà)作展
    “我心中的航天夢(mèng)”畫(huà)作展
    亚洲中文av在线| 久久久久久人人人人人| 亚洲国产欧美网| 国产探花在线观看一区二区| 久久久久久久久免费视频了| 国产精品久久电影中文字幕| 成人亚洲精品av一区二区| 可以在线观看的亚洲视频| 99riav亚洲国产免费| 香蕉国产在线看| 99久久国产精品久久久| 亚洲人成伊人成综合网2020| 成人三级做爰电影| 成人18禁高潮啪啪吃奶动态图| 国产成人av激情在线播放| 久久久久久久久中文| 成人永久免费在线观看视频| 国产亚洲av高清不卡| 亚洲片人在线观看| 久久久久国内视频| 亚洲男人的天堂狠狠| 免费在线观看视频国产中文字幕亚洲| 无遮挡黄片免费观看| 久久久久久大精品| 桃色一区二区三区在线观看| 国产亚洲精品av在线| 91字幕亚洲| 99在线人妻在线中文字幕| 给我免费播放毛片高清在线观看| 精品一区二区三区av网在线观看| 妹子高潮喷水视频| 亚洲18禁久久av| 国模一区二区三区四区视频 | 最新美女视频免费是黄的| 婷婷精品国产亚洲av| 中文字幕人成人乱码亚洲影| 老鸭窝网址在线观看| 午夜福利成人在线免费观看| 老司机在亚洲福利影院| 精品国产美女av久久久久小说| 一个人观看的视频www高清免费观看 | 91av网站免费观看| 色av中文字幕| 欧美成人午夜精品| 一二三四社区在线视频社区8| 给我免费播放毛片高清在线观看| 看片在线看免费视频| 18禁观看日本| 香蕉丝袜av| 日本撒尿小便嘘嘘汇集6| 成人精品一区二区免费| 亚洲欧美日韩无卡精品| 夜夜爽天天搞| 淫妇啪啪啪对白视频| 亚洲国产高清在线一区二区三| 久久精品国产清高在天天线| 国产欧美日韩一区二区精品| 看黄色毛片网站| www.自偷自拍.com| 51午夜福利影视在线观看| 最新在线观看一区二区三区| 无限看片的www在线观看| 国产野战对白在线观看| 亚洲国产精品成人综合色| 亚洲精品国产一区二区精华液| 欧美日韩瑟瑟在线播放| 亚洲国产看品久久| 男插女下体视频免费在线播放| 久久久久精品国产欧美久久久| 婷婷精品国产亚洲av| 一a级毛片在线观看| 日本精品一区二区三区蜜桃| 99精品欧美一区二区三区四区| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲一区高清亚洲精品| 欧美色欧美亚洲另类二区| 在线播放国产精品三级| 日韩欧美在线乱码| 国产精品亚洲一级av第二区| 村上凉子中文字幕在线| 黄色视频不卡| 色播亚洲综合网| 国内精品久久久久久久电影| 天堂影院成人在线观看| 免费在线观看视频国产中文字幕亚洲| 国产一级毛片七仙女欲春2| 波多野结衣高清无吗| АⅤ资源中文在线天堂| 免费在线观看黄色视频的| 99国产精品99久久久久| 国产一区二区在线观看日韩 | 国产99白浆流出| 亚洲熟妇熟女久久| 狂野欧美激情性xxxx| 超碰成人久久| 亚洲男人天堂网一区| 欧美成狂野欧美在线观看| 啦啦啦韩国在线观看视频| 久久久久久九九精品二区国产 | 国产乱人伦免费视频| 丰满的人妻完整版| 精品欧美国产一区二区三| 99精品在免费线老司机午夜| 又粗又爽又猛毛片免费看| 91成年电影在线观看| 最新在线观看一区二区三区| 欧美激情久久久久久爽电影| 亚洲精品一区av在线观看| 国产精品永久免费网站| 婷婷丁香在线五月| 国产人伦9x9x在线观看| 99国产精品99久久久久| 国产黄片美女视频| 999久久久国产精品视频| 久久天堂一区二区三区四区| 欧美日韩亚洲综合一区二区三区_| 午夜精品在线福利| 亚洲免费av在线视频| 精品久久久久久成人av| 国产片内射在线| 久久热在线av| 欧美 亚洲 国产 日韩一| av免费在线观看网站| 亚洲精品在线美女| 欧美av亚洲av综合av国产av| 国产欧美日韩精品亚洲av| 大型av网站在线播放| 国内精品久久久久久久电影| 怎么达到女性高潮| 老司机在亚洲福利影院| 亚洲乱码一区二区免费版| 亚洲熟妇熟女久久| 日韩大码丰满熟妇| 免费看日本二区| 国产激情偷乱视频一区二区| 国产99白浆流出| 淫秽高清视频在线观看| 久久伊人香网站| 亚洲自偷自拍图片 自拍| 婷婷精品国产亚洲av在线| 久久精品亚洲精品国产色婷小说| 国产精品一区二区免费欧美| 不卡av一区二区三区| 天堂av国产一区二区熟女人妻 | 日韩欧美 国产精品| 欧美+亚洲+日韩+国产| 亚洲中文字幕日韩| 亚洲精品色激情综合| 欧美乱妇无乱码| 亚洲一区高清亚洲精品| 亚洲国产欧美网| 妹子高潮喷水视频| 日本精品一区二区三区蜜桃| a在线观看视频网站| 精品无人区乱码1区二区| 99热这里只有精品一区 | 狂野欧美白嫩少妇大欣赏| xxx96com| 欧美成人午夜精品| 男人舔女人下体高潮全视频| 国产精品日韩av在线免费观看| 日韩大码丰满熟妇| 老司机午夜福利在线观看视频| 国产单亲对白刺激| 精品久久久久久久人妻蜜臀av| 亚洲 欧美 日韩 在线 免费| 男女下面进入的视频免费午夜| 国产成人精品久久二区二区91| 两人在一起打扑克的视频| 最近最新中文字幕大全电影3| 777久久人妻少妇嫩草av网站| 又粗又爽又猛毛片免费看| 亚洲激情在线av| 成人午夜高清在线视频| 成人国语在线视频| 久久久精品大字幕| 在线观看免费视频日本深夜| 国产一级毛片七仙女欲春2| 日韩欧美三级三区| 欧美色视频一区免费| 亚洲国产精品久久男人天堂| 此物有八面人人有两片| 亚洲五月婷婷丁香| 国产伦一二天堂av在线观看| 男女床上黄色一级片免费看| 欧美一级毛片孕妇| 亚洲电影在线观看av| 久久精品国产清高在天天线| 嫩草影院精品99| 久久欧美精品欧美久久欧美| 村上凉子中文字幕在线| 久久精品91无色码中文字幕| 久久久久久亚洲精品国产蜜桃av| 中文字幕高清在线视频| 男人舔女人的私密视频| 一个人免费在线观看的高清视频| 国产成人aa在线观看| 国产激情欧美一区二区| 999精品在线视频| 老汉色av国产亚洲站长工具| 麻豆成人午夜福利视频| 怎么达到女性高潮| 三级国产精品欧美在线观看 | 精品国产美女av久久久久小说| 黄色片一级片一级黄色片| 又黄又爽又免费观看的视频| 亚洲av电影在线进入| 国产人伦9x9x在线观看| 欧美日本亚洲视频在线播放| 最近在线观看免费完整版| 日韩国内少妇激情av| 99精品欧美一区二区三区四区| 国产成人欧美在线观看| 亚洲一区二区三区色噜噜| 51午夜福利影视在线观看| 国内精品久久久久精免费| 成人三级黄色视频| 一本一本综合久久| 精品不卡国产一区二区三区| 99国产综合亚洲精品| 亚洲欧洲精品一区二区精品久久久| 伊人久久大香线蕉亚洲五| 久久亚洲真实| 午夜日韩欧美国产| 国产精品一区二区三区四区久久| 精品久久久久久成人av| 精品久久久久久,| 最近在线观看免费完整版| 国产精品国产高清国产av| 99在线人妻在线中文字幕| 欧美极品一区二区三区四区| 国产精品久久久久久亚洲av鲁大| 久9热在线精品视频| 国内精品一区二区在线观看| 极品教师在线免费播放| 精品久久久久久久人妻蜜臀av| 少妇被粗大的猛进出69影院| 老司机午夜福利在线观看视频| 每晚都被弄得嗷嗷叫到高潮| 这个男人来自地球电影免费观看| 日韩国内少妇激情av| 九色成人免费人妻av| 熟女少妇亚洲综合色aaa.| 日韩免费av在线播放| 国模一区二区三区四区视频 | 亚洲国产精品999在线| 一本一本综合久久| 免费无遮挡裸体视频| 亚洲av日韩精品久久久久久密| 国产精品 欧美亚洲| 亚洲真实伦在线观看| 男插女下体视频免费在线播放| 欧美性长视频在线观看| 黄色视频不卡| 免费看日本二区| 在线观看免费视频日本深夜| 久久久国产精品麻豆| 欧美日韩亚洲国产一区二区在线观看| 女同久久另类99精品国产91| 亚洲中文av在线| 特大巨黑吊av在线直播| 欧美三级亚洲精品| 亚洲狠狠婷婷综合久久图片| 成人三级做爰电影| 精品国产超薄肉色丝袜足j| 日韩三级视频一区二区三区| 黄色片一级片一级黄色片| 搞女人的毛片| 亚洲成人中文字幕在线播放| 大型av网站在线播放| 制服人妻中文乱码| 一进一出抽搐gif免费好疼| 淫秽高清视频在线观看| 国产成人欧美在线观看| 国产精品1区2区在线观看.| 久久中文看片网| 亚洲欧美日韩高清专用| 91在线观看av| 国产一区二区在线观看日韩 | av免费在线观看网站| 国产成年人精品一区二区| 18禁黄网站禁片午夜丰满| 757午夜福利合集在线观看| 九九热线精品视视频播放| 最近最新中文字幕大全电影3| 巨乳人妻的诱惑在线观看| 99久久国产精品久久久| 麻豆久久精品国产亚洲av| 母亲3免费完整高清在线观看| 一本综合久久免费| 亚洲av电影在线进入| 一级毛片女人18水好多| 免费在线观看完整版高清| 校园春色视频在线观看| 精华霜和精华液先用哪个| 黄色片一级片一级黄色片| 国产午夜福利久久久久久| 国产精品久久视频播放| 国产精品98久久久久久宅男小说| 最近最新中文字幕大全免费视频| 欧美性长视频在线观看| 免费看美女性在线毛片视频| 亚洲午夜理论影院| 九九热线精品视视频播放| 一级毛片女人18水好多| 国产欧美日韩精品亚洲av| 亚洲,欧美精品.| 久久久国产成人精品二区| 大型黄色视频在线免费观看| bbb黄色大片| 亚洲精品在线美女| 欧美成狂野欧美在线观看| 精品不卡国产一区二区三区| 这个男人来自地球电影免费观看| 麻豆成人av在线观看| 国产成人精品久久二区二区91| 国产伦在线观看视频一区| a级毛片a级免费在线| 日日夜夜操网爽| 亚洲精品色激情综合| 高清在线国产一区| 亚洲激情在线av| 亚洲国产精品久久男人天堂| 久久99热这里只有精品18| 色av中文字幕| 每晚都被弄得嗷嗷叫到高潮| 亚洲国产欧美网| 真人做人爱边吃奶动态| 亚洲精品在线美女| 亚洲人成77777在线视频| 成人亚洲精品av一区二区| 国产黄片美女视频| 国产一区二区在线av高清观看| 狂野欧美激情性xxxx| 日韩欧美 国产精品| 母亲3免费完整高清在线观看| 一级毛片精品| 又黄又爽又免费观看的视频| 人人妻,人人澡人人爽秒播| 成人午夜高清在线视频| 免费在线观看日本一区| 国产一区在线观看成人免费| 久久九九热精品免费| 国产精品野战在线观看| 草草在线视频免费看| 三级毛片av免费| 老熟妇乱子伦视频在线观看| 久久久水蜜桃国产精品网| 精品久久久久久成人av| 成人国产一区最新在线观看| 69av精品久久久久久| 中文字幕久久专区| 欧美av亚洲av综合av国产av| 亚洲色图 男人天堂 中文字幕| 精品高清国产在线一区| 久久这里只有精品中国| 日韩有码中文字幕| 亚洲va日本ⅴa欧美va伊人久久| www.999成人在线观看| 国产成人欧美在线观看| 麻豆久久精品国产亚洲av| 日日干狠狠操夜夜爽| 怎么达到女性高潮| 国产精品香港三级国产av潘金莲| 桃红色精品国产亚洲av| 好看av亚洲va欧美ⅴa在| 美女高潮喷水抽搐中文字幕| 可以免费在线观看a视频的电影网站| 亚洲精品中文字幕在线视频| 成人午夜高清在线视频| 成人精品一区二区免费| 丰满的人妻完整版| 中出人妻视频一区二区| 99久久久亚洲精品蜜臀av| 两个人视频免费观看高清| 亚洲国产欧美网| 亚洲男人天堂网一区| 欧美成人免费av一区二区三区| 午夜福利高清视频| 搡老妇女老女人老熟妇| 国产在线精品亚洲第一网站| 午夜福利18| 麻豆成人午夜福利视频| 色老头精品视频在线观看| 九色成人免费人妻av| 国产成人啪精品午夜网站| 国产精品久久久久久亚洲av鲁大| 久久久久国内视频| 亚洲自偷自拍图片 自拍| 老汉色av国产亚洲站长工具| 亚洲国产中文字幕在线视频| 久久久久亚洲av毛片大全| a在线观看视频网站| 超碰成人久久| 国产黄a三级三级三级人| 国产精品 欧美亚洲| 午夜福利18| 国产真实乱freesex| 757午夜福利合集在线观看| 久久久国产精品麻豆| 九色国产91popny在线| 国产一区二区在线观看日韩 | 久久久精品大字幕| 美女大奶头视频| 又大又爽又粗| 两性午夜刺激爽爽歪歪视频在线观看 | 两个人视频免费观看高清| netflix在线观看网站| 亚洲av成人av| 欧洲精品卡2卡3卡4卡5卡区| 亚洲国产精品999在线| 在线观看日韩欧美| 午夜激情av网站| 亚洲欧美一区二区三区黑人| 亚洲国产欧美网| 国产精品日韩av在线免费观看| 91老司机精品| 国产免费av片在线观看野外av| 久久久国产成人精品二区| 亚洲精品在线观看二区| 成人手机av| 欧美性长视频在线观看| 久久久久久国产a免费观看| 精品久久久久久成人av| 亚洲精品一区av在线观看| av福利片在线| 一边摸一边做爽爽视频免费| 亚洲精品中文字幕一二三四区| 国产成人精品久久二区二区免费| 香蕉久久夜色| 看片在线看免费视频| 视频区欧美日本亚洲| 国产熟女xx| 制服丝袜大香蕉在线| www日本在线高清视频| 国产精品久久视频播放| 悠悠久久av| 三级毛片av免费| 午夜免费成人在线视频| 成年人黄色毛片网站| 国产亚洲精品av在线| 欧美精品啪啪一区二区三区| 久久香蕉国产精品| 天堂影院成人在线观看| 丁香欧美五月| 桃色一区二区三区在线观看| ponron亚洲| 亚洲色图 男人天堂 中文字幕| 国产精品免费视频内射| cao死你这个sao货| 两性午夜刺激爽爽歪歪视频在线观看 | 性欧美人与动物交配| 一a级毛片在线观看| 国产aⅴ精品一区二区三区波| 久久久水蜜桃国产精品网| 韩国av一区二区三区四区| 日本a在线网址| 精品不卡国产一区二区三区| 亚洲成人久久爱视频| 男人舔奶头视频| 欧美成人免费av一区二区三区| 欧美午夜高清在线| 国产av麻豆久久久久久久| 亚洲人成77777在线视频| 国内精品一区二区在线观看| 成人手机av| 国产精品久久久久久亚洲av鲁大| 美女扒开内裤让男人捅视频| 亚洲熟妇中文字幕五十中出| 一本综合久久免费| 日韩大码丰满熟妇| 久久欧美精品欧美久久欧美| 午夜成年电影在线免费观看| 老汉色av国产亚洲站长工具| 老司机深夜福利视频在线观看| 欧美成人一区二区免费高清观看 | 国产一区二区激情短视频| 国产成+人综合+亚洲专区| 男女视频在线观看网站免费 | 老司机午夜福利在线观看视频| 亚洲激情在线av| 免费一级毛片在线播放高清视频| 欧美成人性av电影在线观看| 国产一级毛片七仙女欲春2| 很黄的视频免费| 亚洲片人在线观看| 日日爽夜夜爽网站| 一夜夜www| 日韩中文字幕欧美一区二区| 美女 人体艺术 gogo| 国产又色又爽无遮挡免费看| 欧美一级a爱片免费观看看 | 亚洲电影在线观看av| 很黄的视频免费| 亚洲美女视频黄频| 免费在线观看日本一区| 亚洲欧美一区二区三区黑人| 妹子高潮喷水视频| 又爽又黄无遮挡网站| 国产精品一及| 国产成人精品久久二区二区免费| 亚洲国产欧美一区二区综合| 天天躁夜夜躁狠狠躁躁| 欧美中文综合在线视频| 长腿黑丝高跟| 99国产精品一区二区三区| 夜夜爽天天搞| 三级男女做爰猛烈吃奶摸视频| 18禁裸乳无遮挡免费网站照片| 国产真实乱freesex| 不卡av一区二区三区| 精品免费久久久久久久清纯| 亚洲av片天天在线观看| 国产午夜精品久久久久久| 亚洲欧美日韩高清在线视频| 男女床上黄色一级片免费看| 中文字幕最新亚洲高清| 国产精品久久久人人做人人爽| 欧美久久黑人一区二区| 久久精品影院6| 一区二区三区国产精品乱码| 国产精品av久久久久免费| 熟妇人妻久久中文字幕3abv| 亚洲欧美一区二区三区黑人| 欧美激情久久久久久爽电影| 国产成人精品久久二区二区91| 国产精品免费视频内射| 青草久久国产| 亚洲成人免费电影在线观看| 18禁裸乳无遮挡免费网站照片| 久久国产精品影院| 一级片免费观看大全| 91在线观看av| 天天添夜夜摸| 国产熟女xx| 国产亚洲精品久久久久5区| 特级一级黄色大片| 一夜夜www| 激情在线观看视频在线高清| 99久久无色码亚洲精品果冻| av免费在线观看网站| 桃红色精品国产亚洲av| 99久久久亚洲精品蜜臀av| 人妻久久中文字幕网| 久久久水蜜桃国产精品网| 国产精品国产高清国产av| av福利片在线| 久久精品aⅴ一区二区三区四区| 精品久久久久久久人妻蜜臀av| av超薄肉色丝袜交足视频| 日韩欧美国产一区二区入口| 一本精品99久久精品77| 我要搜黄色片| 每晚都被弄得嗷嗷叫到高潮| www.精华液| 国产精品爽爽va在线观看网站| 黑人巨大精品欧美一区二区mp4| 老司机午夜十八禁免费视频| 精品乱码久久久久久99久播| 日本熟妇午夜| 欧美日韩一级在线毛片| 国产av一区二区精品久久| 在线国产一区二区在线| 亚洲精品久久国产高清桃花| 午夜影院日韩av| 夜夜躁狠狠躁天天躁| 亚洲欧美一区二区三区黑人| 日韩免费av在线播放| 丰满人妻熟妇乱又伦精品不卡| 国产精品精品国产色婷婷| 一区二区三区激情视频| 久久久国产成人精品二区| АⅤ资源中文在线天堂| 国语自产精品视频在线第100页| 很黄的视频免费| 亚洲男人天堂网一区| 亚洲国产精品合色在线| 午夜老司机福利片| 丰满人妻一区二区三区视频av | 国产av又大| 日韩精品免费视频一区二区三区| 国产成人精品久久二区二区免费| 高清毛片免费观看视频网站| 久久国产乱子伦精品免费另类| 一级毛片女人18水好多| 亚洲五月天丁香| 午夜影院日韩av| 免费观看精品视频网站| 男女视频在线观看网站免费 | 日韩欧美国产在线观看| 国产精品av久久久久免费| 麻豆久久精品国产亚洲av| 欧洲精品卡2卡3卡4卡5卡区| 俄罗斯特黄特色一大片| 我的老师免费观看完整版| 亚洲avbb在线观看| 精品久久久久久久毛片微露脸| 国产精品亚洲一级av第二区| 中出人妻视频一区二区| 视频区欧美日本亚洲| 亚洲 欧美 日韩 在线 免费| 欧美日韩亚洲国产一区二区在线观看| 国产精品爽爽va在线观看网站| 国产午夜福利久久久久久| 99热这里只有精品一区 | 亚洲精品久久国产高清桃花| 亚洲国产精品sss在线观看| 黄色毛片三级朝国网站| 嫁个100分男人电影在线观看| 少妇人妻一区二区三区视频| 国产精品野战在线观看| 嫁个100分男人电影在线观看| 99re在线观看精品视频| 9191精品国产免费久久| 亚洲欧美日韩高清专用|