原创投稿 行业报告 AI展会 数据标注
投稿发布
您的当前位置:首页 > 下载中心 > 人脸识别 > 正文

深度卷积逆图形网络数据

发布:可思数据 时间:2020-03-22
数据类型:图形图像 热度

文件类型:.zip              文件大小:12.11 Gb

授权方式:公共开源     发布时间:2020-03-22

数据来源:MIT             数据语言:英文

数据介绍:
该数据集为 Deep Convolution Inverse Graphics Network 算法实验数据集。该算法通过生成模型,对图像的平面旋转、光照片画和纹理进行建模。

  本文介绍了深度卷积逆向图形网络(DC-IGN),该网络旨在学习可解释的图像表示形式,该图像对于各种变换(例如,对象平面外旋转,光照变化和纹理)是不相关的。DC-IGN模型由多层卷积和反卷积算子组成,并使用随机梯度变化贝叶斯(SGVB)算法(Kingma和Welling)进行训练。我们提出了训练程序,以鼓励图形代码层中的神经元具有语义含义,并迫使每个组分别代表特定的变换(姿势,光线,纹理,形状等)。给定静态的人脸图像,我们的模型可以重新生成输入图像,该输入图像具有与基础人脸不同的姿势,光照甚至纹理和形状变化。我们提供模型功效的定性和定量结果,以学习3D渲染引擎。此外,我们还将学习到的表示形式用于两个重要的视觉识别任务:(1)不变脸部识别任务;(2)将表示形式用作生成建模的摘要统计量。


我们的模型演示在(a)仰角和(b)方位角以及(c)轻神经元上使用不同的3D扫描重新渲染给定的静态图像。


模型架构
深度卷积逆图形网络(DC-IGN)具有编码器和解码器。我们遵循具有多种变体的变体自动编码器(Kingma和Welling)架构。编码器由几层卷积组成,然后是最大池,而解码器则有几层解卷层(使用最近邻居的上采样),然后是卷积。(a)在训练期间,数据(x)通过编码器传递,以产生后验逼近Q(z_i | x),其中z_i由场景潜在变量(例如姿势,光线,纹理或形状)组成。为了学习DC-IGN中的参数,使用以下变分对象函数,使用随机梯度下降来反向传播梯度:-log(P(x | z_i))+ KL(Q(z_i | x)|| P(z_i))对于每个z_i。我们可以通过显示带有一组非活动和活动转换(例如,面部旋转,沿某个方向的光扫掠等)的迷你批处理来强制DC-IGN学习纠缠的表示。(b)在测试期间,数据x可以通过编码器传递以获得潜伏z_i。只需操纵适当的图形代码组(z_i),就可以将图像重新渲染到不同的视点,光照条件,形状变化等,这就是操纵现成的3D图形引擎的方式。
 
下载地址:

特别声明:

¤ 此数据集库仅供研究和教育用途,不得用于任何商业用途。
¤ 如果您在任何出版物或报告中使用该数据库,则必须添加引用本站来源。
¤ 版权归作者及所在组织所有。
¤ 如用于商业用途,请联系版权所有人。
¤ 本站数据来源于网络如有侵权请联系我们。
¤ 本站数据压缩包统一解压密码:www.sykv.com
人工智能权威社区
人工智能交流群扫码邀请

相关文章:

    无相关信息

相关推荐:

网友评论:

发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表

数据标注服务

Copyright©2005-2020 Sykv.com 可思数据 版权所有    京ICP备14056871号

关于我们   免责声明   广告合作   版权声明   联系我们   原创投稿   网站地图  

可思数据 数据标注行业联盟

人工智能资讯   人工智能资讯   人工智能资讯   人工智能资讯

扫码入群
咨询反馈
扫码关注

微信公众号

返回顶部
关闭