日B视频 亚洲,啪啪啪网站一区二区,91色情精品久久,日日噜狠狠色综合久,超碰人妻少妇97在线,999青青视频,亚洲一区二卡,让本一区二区视频,日韩网站推荐

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)通過(guò)繪畫(huà)3D地形識(shí)別畫(huà)家

星星科技指導(dǎo)員 ? 來(lái)源:NVIDIA ? 作者:ichelle Horton ? 2022-04-07 17:06 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

通過(guò)一種新開(kāi)發(fā)的人工智能工具,識(shí)別繪畫(huà)偽造品變得更容易了。該工具可以精確地識(shí)別風(fēng)格差異,精確到一個(gè)畫(huà)筆刷毛。 Case Western Reserve University ( CWRU )團(tuán)隊(duì)的 research 通過(guò)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),根據(jù)繪畫(huà)的 3D 地形來(lái)學(xué)習(xí)和識(shí)別畫(huà)家。這項(xiàng)工作可以幫助歷史學(xué)家和藝術(shù)專家區(qū)分合作作品中的藝術(shù)家,并找到偽造的作品。

鑒定古畫(huà)有幾種方法。專家經(jīng)常評(píng)估材料的類型和狀態(tài),并使用科學(xué)方法,如顯微分析、紅外光譜和反射術(shù)。

但是,這些詳盡的方法非常耗時(shí),可能會(huì)導(dǎo)致錯(cuò)誤。他們也無(wú)法識(shí)別一件藝術(shù)品的多個(gè)畫(huà)家。根據(jù)這項(xiàng)研究,像埃爾·格雷科和倫勃朗這樣的畫(huà)家經(jīng)常雇傭藝術(shù)家的工作室,以與自己相同的風(fēng)格繪制畫(huà)布的各個(gè)部分,使得個(gè)人貢獻(xiàn)不明確。

雖然用機(jī)器學(xué)習(xí)分析藝術(shù)品是一個(gè)相對(duì)較新的領(lǐng)域,但最近的研究集中于將人工智能方法與高分辨率的繪畫(huà)圖像相結(jié)合,以了解畫(huà)家的風(fēng)格并識(shí)別畫(huà)家。研究人員假設(shè), 3D 分析可以保存比圖像更多的數(shù)據(jù),在圖像中,筆觸圖案、油漆沉積和干燥方法等特征可以作為藝術(shù)家獨(dú)特的指紋。

CWRU 的安布羅斯·斯瓦西物理學(xué)教授、資深作家肯尼斯·辛格( Kenneth Singer )在一份 press release 的報(bào)告中說(shuō):“ 3D 地形是人工智能“看到”繪畫(huà)的一種新方式?!薄?/p>

研究人員用光學(xué)輪廓儀從一個(gè)表面提取地形數(shù)據(jù),掃描了同一場(chǎng)景的 12 幅畫(huà),用相同的材料繪制,但由四位不同的藝術(shù)家繪制。光學(xué)輪廓儀通過(guò)對(duì)約 5 至 15 mm 的小方形藝術(shù)片進(jìn)行采樣,檢測(cè)并記錄表面的微小變化,這可歸因于某人如何握住和使用畫(huà)筆。

然后,他們訓(xùn)練一組卷積神經(jīng)網(wǎng)絡(luò)來(lái)發(fā)現(xiàn)小斑塊中的模式,為每個(gè)藝術(shù)家采樣 160 到 1440 個(gè)斑塊。使用 NVIDIA GPU 和 cuDNN 加速深度學(xué)習(xí)框架,該算法將樣本匹配回單個(gè)畫(huà)家。

研究小組對(duì)一位藝術(shù)家的 180 幅油畫(huà)進(jìn)行了算法測(cè)試,將樣本與一位畫(huà)家進(jìn)行了匹配,準(zhǔn)確率約為 95% 。

據(jù)合著者、 CWRU 的 Warren E.Rupp 物理學(xué)副教授 Michael Hinczewski 所說(shuō),在訓(xùn)練數(shù)據(jù)集有限的情況下,使用如此小的訓(xùn)練集的能力對(duì)于后來(lái)的藝術(shù)歷史應(yīng)用是有希望的。

辛切夫斯基說(shuō):“其他大多數(shù)使用人工智能進(jìn)行藝術(shù)歸屬的研究都集中在整個(gè)繪畫(huà)的照片上。”?!拔覀儗⑦@幅畫(huà)分解成從半毫米到幾厘米見(jiàn)方的虛擬小塊。因此我們甚至不再有關(guān)于主題的信息,但我們可以從單個(gè)小塊準(zhǔn)確地預(yù)測(cè)誰(shuí)畫(huà)了它。這太神奇了?!?/p>

根據(jù)他們的發(fā)現(xiàn),研究人員將表面形貌視為使用無(wú)偏定量分析進(jìn)行歸因和偽造檢測(cè)的額外工具。在與位于馬德里的藝術(shù)保護(hù)公司 Factum Arte 的合作下,該團(tuán)隊(duì)正在對(duì)西班牙文藝復(fù)興時(shí)期畫(huà)家 El Greco 的幾件作品進(jìn)行藝術(shù)家工作室歸屬和保護(hù)研究。

與研究相關(guān)的數(shù)據(jù)和代碼可通過(guò) GitHub 獲取。這項(xiàng)工作是來(lái)自 CWRU 藝術(shù)史和藝術(shù)系、克利夫蘭藝術(shù)學(xué)院和克利夫蘭藝術(shù)博物館的研究人員的共同努力。

關(guān)于作者

Michelle Horton 是 NVIDIA 的高級(jí)開(kāi)發(fā)人員通信經(jīng)理,擁有通信經(jīng)理和科學(xué)作家的背景。她在 NVIDIA 為開(kāi)發(fā)者博客撰文,重點(diǎn)介紹了開(kāi)發(fā)者使用 NVIDIA 技術(shù)的多種方式。

審核編輯:郭婷

聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 神經(jīng)網(wǎng)絡(luò)

    關(guān)注

    42

    文章

    4844

    瀏覽量

    108203
  • NVIDIA
    +關(guān)注

    關(guān)注

    14

    文章

    5696

    瀏覽量

    110140
  • 人工智能
    +關(guān)注

    關(guān)注

    1821

    文章

    50366

    瀏覽量

    267056
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    卷積神經(jīng)網(wǎng)絡(luò)如何讓自動(dòng)駕駛識(shí)別障礙物?

    自動(dòng)駕駛的發(fā)展過(guò)程中,感知系統(tǒng)一直承擔(dān)車輛“眼睛”的角色,其核心任務(wù)是讓計(jì)算機(jī)理解復(fù)雜多變的物理世界。卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為一種專門(mén)用于處理圖像和視頻等網(wǎng)格狀數(shù)據(jù)結(jié)構(gòu)的深度學(xué)習(xí)模型,已經(jīng)成為自動(dòng)駕駛感知的基石。
    的頭像 發(fā)表于 04-11 09:59 ?1488次閱讀
    <b class='flag-5'>卷積</b><b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>如何讓自動(dòng)駕駛<b class='flag-5'>識(shí)別</b>障礙物?

    神經(jīng)網(wǎng)絡(luò)的初步認(rèn)識(shí)

    日常生活中的智能應(yīng)用都離不開(kāi)深度學(xué)習(xí),而深度學(xué)習(xí)則依賴于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)。什么是神經(jīng)網(wǎng)絡(luò)?神經(jīng)網(wǎng)絡(luò)的核心思想是模仿生物神經(jīng)系統(tǒng)的結(jié)構(gòu),特別是大腦中神經(jīng)
    的頭像 發(fā)表于 12-17 15:05 ?484次閱讀
    <b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的初步認(rèn)識(shí)

    英倫科技裸眼3D顯示產(chǎn)品與其它廠家有什么差異化?

    英倫科技裸眼3D平板電腦核心技術(shù):光場(chǎng)顯示+AI動(dòng)態(tài)優(yōu)化雙引擎英倫科技采用光場(chǎng)裸眼3D技術(shù),通過(guò)捕捉物體真實(shí)光線信息構(gòu)建物理光場(chǎng),相比傳統(tǒng)透鏡陣列或光柵技術(shù),立體效果更接近人眼自然觀察(如分子結(jié)構(gòu)
    的頭像 發(fā)表于 12-03 10:36 ?1045次閱讀
    英倫科技裸眼<b class='flag-5'>3D</b>顯示產(chǎn)品與其它廠家有什么差異化?

    自動(dòng)駕駛中常提的卷積神經(jīng)網(wǎng)絡(luò)是個(gè)啥?

    在自動(dòng)駕駛領(lǐng)域,經(jīng)常會(huì)聽(tīng)到卷積神經(jīng)網(wǎng)絡(luò)技術(shù)。卷積神經(jīng)網(wǎng)絡(luò),簡(jiǎn)稱為CNN,是一種專門(mén)用來(lái)處理網(wǎng)格狀數(shù)據(jù)(比如圖像)的深度學(xué)習(xí)模型。CNN在圖像處理中尤其常見(jiàn),因?yàn)閳D像本身就可以看作是由像
    的頭像 發(fā)表于 11-19 18:15 ?2277次閱讀
    自動(dòng)駕駛中常提的<b class='flag-5'>卷積</b><b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>是個(gè)啥?

    CNN卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)原理及在MCU200T上仿真測(cè)試

    數(shù)的提出很大程度的解決了BP算法在優(yōu)化深層神經(jīng)網(wǎng)絡(luò)時(shí)的梯度耗散問(wèn)題。當(dāng)x&gt;0 時(shí),梯度恒為1,無(wú)梯度耗散問(wèn)題,收斂快;當(dāng)x&lt;0 時(shí),該層的輸出為0。 CNN
    發(fā)表于 10-29 07:49

    NMSIS神經(jīng)網(wǎng)絡(luò)庫(kù)使用介紹

    (q7_t) 和 16 位整數(shù) (q15_t)。 卷積神經(jīng)網(wǎng)絡(luò)示例: 本示例中使用的 CNN 基于來(lái)自 Caffe 的 CIFAR-10 示例。神經(jīng)網(wǎng)絡(luò)3 個(gè)
    發(fā)表于 10-29 06:08

    構(gòu)建CNN網(wǎng)絡(luò)模型并優(yōu)化的一般化建議

    :Dropout層隨機(jī)跳過(guò)神經(jīng)網(wǎng)絡(luò)模型中某些神經(jīng)元之間的連接,通過(guò)隨機(jī)制造缺陷進(jìn)行訓(xùn)練提升整個(gè)神經(jīng)網(wǎng)絡(luò)的魯棒性。 6)指定合理的學(xué)習(xí)率策
    發(fā)表于 10-28 08:02

    卷積運(yùn)算分析

    的數(shù)據(jù),故設(shè)計(jì)了ConvUnit模塊實(shí)現(xiàn)單個(gè)感受域規(guī)模的卷積運(yùn)算. 卷積運(yùn)算:不同于數(shù)學(xué)當(dāng)中提及到的卷積概念,CNN神經(jīng)網(wǎng)絡(luò)中的卷積嚴(yán)格意義
    發(fā)表于 10-28 07:31

    在Ubuntu20.04系統(tǒng)中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的一些經(jīng)驗(yàn)

    模型。 我們使用MNIST數(shù)據(jù)集,訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型,用于手寫(xiě)數(shù)字識(shí)別。一旦模型被訓(xùn)練并保存,就可以用于對(duì)新圖像進(jìn)行推理和預(yù)
    發(fā)表于 10-22 07:03

    CICC2033神經(jīng)網(wǎng)絡(luò)部署相關(guān)操作

    在完成神經(jīng)網(wǎng)絡(luò)量化后,需要將神經(jīng)網(wǎng)絡(luò)部署到硬件加速器上。首先需要將所有權(quán)重?cái)?shù)據(jù)以及輸入數(shù)據(jù)導(dǎo)入到存儲(chǔ)器內(nèi)。 在仿真環(huán)境下,可將其存于一個(gè)文件,并在 Verilog 代碼中通過(guò) readmemh 函數(shù)
    發(fā)表于 10-20 08:00

    液態(tài)神經(jīng)網(wǎng)絡(luò)(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的神經(jīng)網(wǎng)絡(luò)

    神經(jīng)元,但卻能產(chǎn)生復(fù)雜的行為。受此啟發(fā),與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比,LNN旨在通過(guò)模擬大腦中神經(jīng)元之間的動(dòng)態(tài)連接來(lái)處理信息,這種網(wǎng)絡(luò)能夠順序處理數(shù)
    的頭像 發(fā)表于 09-28 10:03 ?1601次閱讀
    液態(tài)<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>(LNN):時(shí)間連續(xù)性與動(dòng)態(tài)適應(yīng)性的<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>

    神經(jīng)網(wǎng)絡(luò)的并行計(jì)算與加速技術(shù)

    隨著人工智能技術(shù)的飛速發(fā)展,神經(jīng)網(wǎng)絡(luò)在眾多領(lǐng)域展現(xiàn)出了巨大的潛力和廣泛的應(yīng)用前景。然而,神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度和規(guī)模也在不斷增加,這使得傳統(tǒng)的串行計(jì)算方式面臨著巨大的挑戰(zhàn),如計(jì)算速度慢、訓(xùn)練時(shí)間長(zhǎng)等
    的頭像 發(fā)表于 09-17 13:31 ?1328次閱讀
    <b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的并行計(jì)算與加速技術(shù)

    卷積神經(jīng)網(wǎng)絡(luò)如何監(jiān)測(cè)皮帶堵料情況 #人工智能

    卷積神經(jīng)網(wǎng)絡(luò)
    jf_60804796
    發(fā)布于 :2025年07月01日 17:08:42

    無(wú)刷電機(jī)小波神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)子位置檢測(cè)方法的研究

    摘要:論文通過(guò)對(duì)無(wú)刷電機(jī)數(shù)學(xué)模型的推導(dǎo),得出轉(zhuǎn)角:與三相相電壓之間存在映射關(guān)系,因此構(gòu)建了一個(gè)以三相相電壓為輸人,轉(zhuǎn)角為輸出的小波神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)轉(zhuǎn)角預(yù)測(cè),并采用改進(jìn)遺傳算法來(lái)訓(xùn)練網(wǎng)絡(luò)結(jié)
    發(fā)表于 06-25 13:06

    基于FPGA搭建神經(jīng)網(wǎng)絡(luò)的步驟解析

    本文的目的是在一個(gè)神經(jīng)網(wǎng)絡(luò)已經(jīng)通過(guò)python或者M(jìn)ATLAB訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型,將訓(xùn)練好的模型的權(quán)重和偏置文件以TXT文件格式導(dǎo)出,然后
    的頭像 發(fā)表于 06-03 15:51 ?1540次閱讀
    基于FPGA搭建<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>的步驟解析
    图们市| 长泰县| 富蕴县| 榆社县| 静乐县| 宿迁市| 洛隆县| 平遥县| 波密县| 沛县| 高要市| 庆元县| 奉新县| 阳谷县| 富源县| 和政县| 准格尔旗| 五莲县| 漠河县| 全州县| 额尔古纳市| 大邑县| 西安市| 当雄县| 略阳县| 施甸县| 深州市| 普定县| 凤山县| 敦化市| 容城县| 北海市| 手游| 榕江县| 阳高县| 瑞金市| 桑植县| 谷城县| 贵州省| 万载县| 韶山市|