本文介绍Coursera-Deep Learning第四课卷积神经网络最后一节内容：神经风格转换（Neural Style Transfer）。

什么是神经风格转换？

这个概念其实没有明确的定义，但是看一张图就能一目了然了：

最左边是一张古城的照片，而右边则是梵高的著名油画作品：星夜。现在我们在两者的基础上合成一张含有星夜的风格的古城照片，这就是神经风格转换。这应该是神经网络应用里最有趣最好玩的一个了，那么它具体是如何实现的呢？

问题描述

为了后面的解释更清楚，我们先做一些定义：

• 内容图片称为Content Image，简写为C
• 风格图片称为Style Image，简写为S
• 合成图片称为Generated Image，简写为G

直觉上，最后合成的图像G至少应该满足以下两个条件：

• 1.内容要和内容图片的内容尽可能接近
• 2.风格要和风格图片的风格尽可能接近

损失函数

要实现一个有趣的神经网络应用，最重要的是你如何去定义或者说找到它的损失函数。根据上面所说的条件，那么神经风格转换的损失函数应该由两部分组成，它的大致形式如下：

$$
J(G) = \alpha[……]

继续阅读

本文介绍Coursera-Deep Learning第四课卷积神经网络最后一节内容：人脸识别。

基础概念

• 人脸检测（Face Detection）
  人脸检测(Face Detection)指的是给定一张图片，判断其是否是一张人脸。它仅仅具备识别功能，并不能进行身份验证。
• 人脸识别（Face Recognition）
  所谓的人脸识别（Face Recognition），指的是给定一个人脸图像，从一个包含k个人脸信息的数据库中，查找出这张脸是否属于其中某个人，这就是人脸识别，它在人脸检测的基础上增加了身份验证功能。

特征脸算法（Eigenfaces）

在深度学习起飞之前，基于纯粹的图像处理的人脸识别方法已经存在了，第一个有效的人脸识别方法叫做特征脸方法（Eigenfaces）。该方法首先由Sirovich and Kirby (1987)提出，并由Matthew Turk和Alex Pentland用于人脸分类。它大致的原理是先对图像进行预处理，比如做直方图均值化（Histogram equalization）；再通过PCA对图像进行降维，然后计算出数据库中K个人脸图像的平均脸[……]

继续阅读

上文我们介绍了目标检测和目标定位的基础知识，本文我们就正式开始介绍YOLO算法。YOLO全称是You Only Look Once，这个算法来源于Joseph Redmon等人在CVPR 2015上发表的一篇论文：You Only Look Once: Unified, Real-Time Object Detection，它不仅解决了目标边界框不精确的问题，而且算法速度也很快，下面让我们看看它是如何实现的。

基本思路

YOLO的基本思路是，把一个大的图像分割成更小更精细的n等份的网格，然后每个网格都打上标签，这个格子内是否有目标，目标的位置以及目标所属类别。为了简单起见，我们以\(3 \times 3\)的网格为例，实际使用中的表格会更精细，比如\(19 \times 19\)，它们的示意图如下：

这样一来输出层的大小就是\(3 \times 3 \times 8\)或者\(19 \times 19 \times 8\)。值得注意的是，YOLO算法是一个卷积实现，所以它的速度非常快，基本可以做到实时检测。还有一个小细节是，在计算每个格子中目标的位置时，我们不再以整张图标作为参考[……]

继续阅读