Bagaimanakah jarak Wasserstein digunakan dalam tugas pemprosesan imej?
Wasserstein distance, juga dikenali sebagai Earth Mover's Distance (EMD), ialah kaedah pengukuran yang digunakan untuk mengukur perbezaan antara dua taburan kebarangkalian. Berbanding dengan divergence KL tradisional atau divergence JS, jarak Wasserstein mengambil kira maklumat struktur antara pengedaran dan oleh itu mempamerkan prestasi yang lebih baik dalam banyak tugas pemprosesan imej. Dengan mengira kos pengangkutan minimum antara dua pengedaran, jarak Wasserstein dapat mengukur jumlah kerja minimum yang diperlukan untuk mengubah satu pengedaran kepada yang lain. Metrik ini mampu menangkap perbezaan geometri antara taburan, dengan itu memainkan peranan penting dalam tugas seperti penjanaan imej dan pemindahan gaya. Oleh itu, jarak Wasserstein telah menjadi salah satu alat yang digunakan secara meluas dalam bidang perbandingan taburan kebarangkalian dan pemprosesan imej.
Wasserstein jarak digunakan dalam pemprosesan imej untuk mengukur perbezaan antara dua imej. Berbanding dengan kaedah tradisional, seperti jarak Euclidean dan persamaan kosinus, ia boleh mempertimbangkan maklumat struktur imej dengan lebih baik. Dalam pengambilan imej, kita biasanya ingin mencari imej yang paling serupa dengan imej pertanyaan. Kaedah tradisional menggunakan vektor ciri untuk mewakili imej dan membandingkannya menggunakan ukuran seperti jarak Euclidean atau persamaan kosinus. Walau bagaimanapun, kaedah pengukuran ini mengabaikan hubungan spatial antara imej dan oleh itu mungkin tidak sesuai dalam situasi seperti ubah bentuk imej atau hingar. Sebaliknya, jarak Wasserstein dapat mengambil kira hubungan ruang antara piksel, dengan itu lebih baik menangkap persamaan antara imej.
Di bawah adalah contoh pengambilan imej menggunakan jarak Wasserstein.
Andaikan kami mempunyai pangkalan data 1000 imej dan kami ingin mencari imej yang paling serupa dengan imej pertanyaan. Untuk mengukur perbezaan antara setiap pasangan imej, kita boleh menggunakan jarak Wasserstein dan memilih imej dengan jarak terkecil sebagai hasil pertanyaan.
Pertama, kita boleh menggunakan histogram untuk mewakili taburan aras kelabu bagi setiap piksel, membahagikan nilai aras kelabu kepada beberapa selang diskret dan mengira bilangan piksel dalam setiap selang. Dengan cara ini, kita boleh mendapatkan taburan kebarangkalian yang mewakili imej.
Dengan mengandaikan kita menggunakan 10 selang aras kelabu untuk mewakili taburan aras kelabu bagi setiap piksel, kita boleh menggunakan Python dan perpustakaan NumPy untuk mengira perwakilan histogram bagi setiap imej:
import numpy as np import cv2 # Load query image query_image = cv2.imread('query_image.png', cv2.IMREAD_GRAYSCALE) # Compute histogram hist, _ = np.histogram(query_image, bins=10, range=(0, 255), density=True)
Kemudian, kita boleh mengira setiap pasangan Jarak Wasserstein antara imej dan pilih imej dengan jarak terkecil sebagai hasil pertanyaan:
# Load image database
database = []
for i in range(1000):
img = cv2.imread(f'image_{i}.png', cv2.IMREAD_GRAYSCALE)
database.append(img)
# Compute Wasserstein distance between query image and each database image
distances = []
for img in database:
hist2, _ = np.histogram(img, bins=10, range=(0, 255), density=True)
distance = cv2.EMD(hist, hist2, cv2.DIST_L2)
distances.append(distance)
# Find index of image with minimum distance
min_index = np.argmin(distances)Dalam contoh ini, kami menggunakan fungsi cv2.EMD dalam perpustakaan OpenCV untuk mengira jarak Wasserstein. Fungsi ini mengambil dua taburan kebarangkalian sebagai input dan mengembalikan jarak antara mereka. Kami menggunakan parameter cv2.DIST_L2 untuk menentukan penggunaan jarak Euclidean sebagai metrik jarak.
Kelebihan menggunakan jarak Wasserstein untuk mendapatkan semula imej ialah ia boleh mengambil kira hubungan ruang antara piksel, dengan itu menangkap persamaan antara imej dengan lebih baik. Kelemahannya ialah kerumitan pengiraan adalah tinggi, jadi ia mungkin tidak praktikal apabila berurusan dengan pangkalan data imej berskala besar.
Ringkasnya, jarak Wasserstein ialah metrik berguna yang boleh digunakan untuk pelbagai tugas dalam pemprosesan imej, seperti mendapatkan semula imej, klasifikasi imej dan penjanaan imej.
Atas ialah kandungan terperinci Bagaimanakah jarak Wasserstein digunakan dalam tugas pemprosesan imej?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!
Alat AI Hot
Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik
AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.
Undress AI Tool
Gambar buka pakaian secara percuma
Clothoff.io
Penyingkiran pakaian AI
AI Hentai Generator
Menjana ai hentai secara percuma.
Artikel Panas
Alat panas
Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma
SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan
Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa
Dreamweaver CS6
Alat pembangunan web visual
SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)
Topik panas
Artikel ini akan membawa anda memahami SHAP: penjelasan model untuk pembelajaran mesin
Jun 01, 2024 am 10:58 AM
Dalam bidang pembelajaran mesin dan sains data, kebolehtafsiran model sentiasa menjadi tumpuan penyelidik dan pengamal. Dengan aplikasi meluas model yang kompleks seperti kaedah pembelajaran mendalam dan ensemble, memahami proses membuat keputusan model menjadi sangat penting. AI|XAI yang boleh dijelaskan membantu membina kepercayaan dan keyakinan dalam model pembelajaran mesin dengan meningkatkan ketelusan model. Meningkatkan ketelusan model boleh dicapai melalui kaedah seperti penggunaan meluas pelbagai model yang kompleks, serta proses membuat keputusan yang digunakan untuk menerangkan model. Kaedah ini termasuk analisis kepentingan ciri, anggaran selang ramalan model, algoritma kebolehtafsiran tempatan, dsb. Analisis kepentingan ciri boleh menerangkan proses membuat keputusan model dengan menilai tahap pengaruh model ke atas ciri input. Anggaran selang ramalan model
Telus! Analisis mendalam tentang prinsip model pembelajaran mesin utama!
Apr 12, 2024 pm 05:55 PM
Dalam istilah orang awam, model pembelajaran mesin ialah fungsi matematik yang memetakan data input kepada output yang diramalkan. Secara lebih khusus, model pembelajaran mesin ialah fungsi matematik yang melaraskan parameter model dengan belajar daripada data latihan untuk meminimumkan ralat antara output yang diramalkan dan label sebenar. Terdapat banyak model dalam pembelajaran mesin, seperti model regresi logistik, model pepohon keputusan, model mesin vektor sokongan, dll. Setiap model mempunyai jenis data dan jenis masalah yang berkenaan. Pada masa yang sama, terdapat banyak persamaan antara model yang berbeza, atau terdapat laluan tersembunyi untuk evolusi model. Mengambil perceptron penyambung sebagai contoh, dengan meningkatkan bilangan lapisan tersembunyi perceptron, kita boleh mengubahnya menjadi rangkaian neural yang mendalam. Jika fungsi kernel ditambah pada perceptron, ia boleh ditukar menjadi SVM. yang ini
Kenal pasti overfitting dan underfitting melalui lengkung pembelajaran
Apr 29, 2024 pm 06:50 PM
Artikel ini akan memperkenalkan cara mengenal pasti pemasangan lampau dan kekurangan dalam model pembelajaran mesin secara berkesan melalui keluk pembelajaran. Underfitting dan overfitting 1. Overfitting Jika model terlampau latihan pada data sehingga ia mempelajari bunyi daripadanya, maka model tersebut dikatakan overfitting. Model yang dipasang terlebih dahulu mempelajari setiap contoh dengan sempurna sehingga ia akan salah mengklasifikasikan contoh yang tidak kelihatan/baharu. Untuk model terlampau, kami akan mendapat skor set latihan yang sempurna/hampir sempurna dan set pengesahan/skor ujian yang teruk. Diubah suai sedikit: "Punca overfitting: Gunakan model yang kompleks untuk menyelesaikan masalah mudah dan mengekstrak bunyi daripada data. Kerana set data kecil sebagai set latihan mungkin tidak mewakili perwakilan yang betul bagi semua data. 2. Underfitting Heru
Evolusi kecerdasan buatan dalam penerokaan angkasa lepas dan kejuruteraan penempatan manusia
Apr 29, 2024 pm 03:25 PM
Pada tahun 1950-an, kecerdasan buatan (AI) dilahirkan. Ketika itulah penyelidik mendapati bahawa mesin boleh melakukan tugas seperti manusia, seperti berfikir. Kemudian, pada tahun 1960-an, Jabatan Pertahanan A.S. membiayai kecerdasan buatan dan menubuhkan makmal untuk pembangunan selanjutnya. Penyelidik sedang mencari aplikasi untuk kecerdasan buatan dalam banyak bidang, seperti penerokaan angkasa lepas dan kelangsungan hidup dalam persekitaran yang melampau. Penerokaan angkasa lepas ialah kajian tentang alam semesta, yang meliputi seluruh alam semesta di luar bumi. Angkasa lepas diklasifikasikan sebagai persekitaran yang melampau kerana keadaannya berbeza daripada di Bumi. Untuk terus hidup di angkasa, banyak faktor mesti dipertimbangkan dan langkah berjaga-jaga mesti diambil. Para saintis dan penyelidik percaya bahawa meneroka ruang dan memahami keadaan semasa segala-galanya boleh membantu memahami cara alam semesta berfungsi dan bersedia untuk menghadapi kemungkinan krisis alam sekitar
Melaksanakan Algoritma Pembelajaran Mesin dalam C++: Cabaran dan Penyelesaian Biasa
Jun 03, 2024 pm 01:25 PM
Cabaran biasa yang dihadapi oleh algoritma pembelajaran mesin dalam C++ termasuk pengurusan memori, multi-threading, pengoptimuman prestasi dan kebolehselenggaraan. Penyelesaian termasuk menggunakan penunjuk pintar, perpustakaan benang moden, arahan SIMD dan perpustakaan pihak ketiga, serta mengikuti garis panduan gaya pengekodan dan menggunakan alat automasi. Kes praktikal menunjukkan cara menggunakan perpustakaan Eigen untuk melaksanakan algoritma regresi linear, mengurus memori dengan berkesan dan menggunakan operasi matriks berprestasi tinggi.
AI yang boleh dijelaskan: Menerangkan model AI/ML yang kompleks
Jun 03, 2024 pm 10:08 PM
Penterjemah |. Disemak oleh Li Rui |. Chonglou Model kecerdasan buatan (AI) dan pembelajaran mesin (ML) semakin kompleks hari ini, dan output yang dihasilkan oleh model ini adalah kotak hitam – tidak dapat dijelaskan kepada pihak berkepentingan. AI Boleh Dijelaskan (XAI) bertujuan untuk menyelesaikan masalah ini dengan membolehkan pihak berkepentingan memahami cara model ini berfungsi, memastikan mereka memahami cara model ini sebenarnya membuat keputusan, dan memastikan ketelusan dalam sistem AI, Amanah dan akauntabiliti untuk menyelesaikan masalah ini. Artikel ini meneroka pelbagai teknik kecerdasan buatan (XAI) yang boleh dijelaskan untuk menggambarkan prinsip asasnya. Beberapa sebab mengapa AI boleh dijelaskan adalah penting Kepercayaan dan ketelusan: Untuk sistem AI diterima secara meluas dan dipercayai, pengguna perlu memahami cara keputusan dibuat
Tinjauan tentang trend masa depan teknologi Golang dalam pembelajaran mesin
May 08, 2024 am 10:15 AM
Potensi aplikasi bahasa Go dalam bidang pembelajaran mesin adalah besar Kelebihannya ialah: Concurrency: Ia menyokong pengaturcaraan selari dan sesuai untuk operasi intensif pengiraan dalam tugas pembelajaran mesin. Kecekapan: Pengumpul sampah dan ciri bahasa memastikan kod itu cekap, walaupun semasa memproses set data yang besar. Kemudahan penggunaan: Sintaksnya ringkas, menjadikannya mudah untuk belajar dan menulis aplikasi pembelajaran mesin.
Adakah Flash Attention stabil? Meta dan Harvard mendapati bahawa sisihan berat model mereka berubah-ubah mengikut urutan magnitud
May 30, 2024 pm 01:24 PM
MetaFAIR bekerjasama dengan Harvard untuk menyediakan rangka kerja penyelidikan baharu untuk mengoptimumkan bias data yang dijana apabila pembelajaran mesin berskala besar dilakukan. Adalah diketahui bahawa latihan model bahasa besar sering mengambil masa berbulan-bulan dan menggunakan ratusan atau bahkan ribuan GPU. Mengambil model LLaMA270B sebagai contoh, latihannya memerlukan sejumlah 1,720,320 jam GPU. Melatih model besar memberikan cabaran sistemik yang unik disebabkan oleh skala dan kerumitan beban kerja ini. Baru-baru ini, banyak institusi telah melaporkan ketidakstabilan dalam proses latihan apabila melatih model AI generatif SOTA Mereka biasanya muncul dalam bentuk lonjakan kerugian Contohnya, model PaLM Google mengalami sehingga 20 lonjakan kerugian semasa proses latihan. Bias berangka adalah punca ketidaktepatan latihan ini,
