Neural-Style-Transfer

KO | EN

gitlite — search

#javascript #react #ai #llm #go #golang #rust #deep-learning #linux #nodejs #windows #awesome-list #mcp #ios

Neural-Style-Transfer

(★ 12)

Neural Style Transfer

Neural-Style-Transfer 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

![licence](https://img.shields.io/badge/Keras-V2.3.1-red)
![licencee](https://img.shields.io/badge/Tensorflow-V2.0-yellow)
![licence](https://img.shields.io/badge/demir-ai-blueviolet)
![licence](https://img.shields.io/badge/Ahmet%20Furkan-DEM%C4%B0R-blue)

# Neural Style Transfer

* Sinirsel stil aktarımı, hedef resmin içeriğini koruyarak referans resmin stilini aktarmaktır.
* stil: farklı uzamsal ölçeklerde resmin dokuları, renkleri ve görsel örüntüleri anlamına gelmektedir.
* özgün resmin içeriğini kaybetmeden referans resmin stilini uydurmak istiyoruz.
* Eğer içerik ve stii matematiksel olarak ifade edebilirsek, aşağıdaki gibi bir kayıp fonksiyonu enküçültülebilir.
       
      loss = distance(style(reference_image) - style(generated_image)) +
            distance(content(original_image) - content(generated_image))
            
* Burda distance L2 gibi bir norm  fonksiyonu content resmi alıp onun içeriğini hesaplayan bir fonksiyon ve style resmi alıp onun stilinin gösterimini hesaplayan fonksiyondur.
* Gatsys vd. derin evrişimli sinir ağlarının content ve style fonksiyonlarını tanımlamak için bir yol sunduğunu gözlemlemişlerdir. şimdi bunun nasıl olabileceğine bakalım.

# Content Kaybı

* İçerik kaybı olarak, hedef resim ve üretilen resmin öneğitimli bir evrişimli sinir ağının sonlarındaki katmanların aktivasyonlarının L2 normu iyi bir adaydır.
* Bu son katmanlardaki aktivasyonlara bakarak üretilen resmin hedef resme benzemesini sağlayacaktır.
* Eğer son katmanların gördüğü şeylerin girdi hedef resmin içeriği olduğunu kabul edersek, resmin içeriğini korumasını sağlar.

# Style kaybı

* Stilini alacağınız referans resmin evrişimli sinir ağı tarafından çıkarılan tüm ölçeklerdeki görünüşümü yakalamaya çalışırsınız.
* Stil kaybı referans resimle hedef resim arasında farklı katmanların aktivasyonlarının iç korelasyonlarını korumayı hedefler.

# Keras 'ta Sinirsel Stil Aktarımı

* Bu örneğimizde VGG19 öneğitimli evrişimli sinir ağını kullanarak Sinirsel Stil Aktarımını gerçekleştirdik. süreç şu şekilde olacaktır :  
* Referans resim, hedef resim ve üretilen resmin VGG19 aktivasyonlarını aynı anda hesaplayan bir ağ hesaplayalım.
* Enküçülterek stil aktarımını sağlayacağınız daha önce tanımladığınız kaybı tanımlamak için bu üç resim üzerinde hesaplanan katman aktivasyonlarını kullanalım.
*Kayıp fonksiyonunu enküçültmek için gradyan inişini kullanın

* Değişkenlerin Tanımlanması :

![Screenshot_2020-04-08_23-39-37](https://user-images.githubusercontent.com/54184905/78831438-50087700-79f2-11ea-81b1-5d3cf0783c81.png)

* Yardımcı Fonksiyonlar :

![Screenshot_2020-04-08_23-41-52](https://user-images.githubusercontent.com/54184905/78831627-a07fd480-79f2-11ea-9645-d5fc55929883.png)

* Öneğitimli VGG19 ağını yüklemek ve üç resme uygulama :

![Screenshot_2020-04-08_23-44-07](https://user-images.githubusercontent.com/54184905/78831807-ed63ab00-79f2-11ea-94d3-7a5946fe08ee.png)

* İçerik kaybı (hedef resimle üretilen resmin birbirine benzemesini sağlayacak içerik kaybı) :

![Screenshot_2020-04-08_23-46-16](https://user-images.githubusercontent.com/54184905/78832070-54815f80-79f3-11ea-8175-82508aefd8a8.png)

* Stil kaybı :

![Screenshot_2020-04-08_23-48-52](https://user-images.githubusercontent.com/54184905/78832226-8d213900-79f3-11ea-8a72-89984965d21a.png)

* Toplam Değişim Kaybı :

![Screenshot_2020-04-08_23-50-30](https://user-images.githubusercontent.com/54184905/78832390-d5405b80-79f3-11ea-9356-88ffe166c4ec.png)

* Enküçülteceğimiz Kaybı Tanımlamak :

![Screenshot_2020-04-08_23-59-53](https://user-images.githubusercontent.com/54184905/78833253-3c124480-79f5-11ea-80cd-6536fe26df91.png)

* Gradyan İnişi Sürecini Oluşturmak :

![Screenshot_2020-04-09_00-02-27](https://user-images.githubusercontent.com/54184905/78833402-7da2ef80-79f5-11ea-9c8f-207b6ded469f.png)

* Stil Aktarımı Döngüsü :

![Screenshot_2020-04-09_00-04-10](https://user-images.githubusercontent.com/54184905/78833520-b0e57e80-79f5-11ea-8160-90f3c2fd7faa.png)

# Sinirsel Stil Aktarımını kullanark Sonuçlara Bakalım

![örnek3](https://user-images.githubusercontent.com/54184905/78833708-fe61eb80-79f5-11ea-90e4-18e425df74cd.png)

![örnek1](https://user-images.githubusercontent.com/54184905/78833719-01f57280-79f6-11ea-8143-d7f7d6568c8a.png)

![örnek2](https://user-images.githubusercontent.com/54184905/78833724-03bf3600-79f6-11ea-9511-84a59482175c.png)

# Özet

* Stil Aktarımı, hedef resmin içeriğini kaybetmeden referans resmin stilinin aktarılmasıdır
* İçerik, evrişimli sinir ağının son katmanlarında yakalanabilir.
* Stil, evrişimli sinir ağının farklı katmanlarının aktivasyonlarının iç korelasyonuyla yakalanabilir.
* Sonuçta derin öğrenme,öneğitimli bir evrişimli sinir ağında kayıp fonksiyonu tanımlayarak ve kaybı eniyileyerek stil aktarımı yapılmasını sağlar.

# Kaynak
* https://keras.io/examples/neural_style_transfer/
* https://www.amazon.com/Deep-Learning-Python-Francois-Chollet/dp/1617294438 (Sayfa 306-315)

Neural-Style-Transfer

Neural-Style-Transfer 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Neural-Style-Transfer

Neural-Style-Transfer 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README