CVPy抠图系列文章继续。1. 头像/证件照抠图之前已经有过《一键智能抠图》、《【CV派】新玩法——AI一键抠图+素描》、《一键动物抠图，毛发毕现——人是不是动物？》、《如何从头训练一个一键抠图模型》几篇文章。之前的抠图模型是一个通用模型，任何物体都可以抠。但是正如在《如何从头训练一个一键抠图模型》文章结尾笔者提到的，边缘特别是人物头发处的抠图效果还有待提高：上面的抠图效果还是有待提高，比如头发等边缘处，还是可见部分背景未分离。前几天刚转发了动物抠图的新论文，边缘和毛发的抠图效果很赞。其单开一条支

如何从头训练一个一键抠图模型1. 前言抠图是图像编辑的基础功能之一，在抠图的基础上可以发展出很多有意思的玩法和特效。比如一键更换背景、一键任务卡通化、一键人物素描化等。正是因为这些有意思的玩法，CVPy网站上的一键抠图功能上线以来，从赞数来看，人气之高已经遥遥领先于CV派内其他高手，可见此模型的受欢迎程度。笔者最近也是对此模型背后的U-2-Net网络很感兴趣，收集数据训练了人脸素描化模型，尽管受限于数据集，只能在人脸图片上转换成功，但自己仍然玩的不亦乐乎。不仅乐于玩模型的有意思的效果，更乐在训练模型过

看过之前文章的朋友们知道，我最近成立了一个门派，与公众号同名，名为【CV派】。山门及门派一众高手介绍如下：新玩法话说最近新入门的高手CV小素，竟然撇下其妹妹AI小素，整天与AI魅婷“称姊道妹”。当然，与魅婷厮混是可以理解的，毕竟魅婷是CV派人气第一的高手，看看每个高手底部的赞数就一目了然了。正因为如此，不仅仅是CV小素，其他高手，比如AI卡图，其实也在找机会与魅婷套近乎。魅婷为人热情，在于众人论道的过程中也不藏私，其功法绝学【一键抠图】被不少人学了去。与此同时，魅婷也是学到了不少新技能，比如CV小素

一. 小素的全名和家族箴言前段时间，我做了个AI，叫小素，能够把肖像图片转成素描风格。受限于数据集，目前只是人物肖像的转换效果还能看，其余的如风景建筑、花鸟虫鱼、风花雪月之类的图片，也可以转换，只是效果嘛…只能说一切皆有可能！下面是小素的几张人物肖像的转换效果：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7V8RAgNV-1599990106307)(https://img.cvpy.net/sketch_example_1.jpg)]这几张转换效果还是不错的。

1. 效果秀有些朋友已经体验过了cvpy.net最近新上的一键智能抠图和换背景的功能，智能判断前景并自动抠图，效果还是挺惊艳的，放几张图看看效果：请注意看这位喵星人右侧性感的胡须，抠的可谓是非常精细了。有人说了，这张图片的的背景是简单的纯色背景，体现不出难度来。那我换一张我在路边拍的一朵不知名的花（恕我孤陋寡闻…）的图片，看看抠图的效果，顺便换个蓝色的背景：可以看到，模型成功识别出了前景区域，而且边缘等细节识别的非常好。再来看一张人物照的抠图效果：注意看左手指缝和肩膀后面的那一缕头发，称

本文首发于公众号CVPy:深度学习中的目标检测：概述本文由`CVPy`翻译自以下文章：https://tryolabs.com/blog/2017/08/30/object-detection-an-overview-in-the-age-of-deep-learning/。前言从简单的图像分类到3D姿势估计，计算机视觉中不乏有趣的问题。目标检测是我们最感兴趣并且已经研究过的问题之一。像许多其他计算机视觉问题一样，仍然没有一种“最佳”的方法来解决目标检测问题，这意味着仍有很大的改进空间。在

今天用TensorFlow Object Detection训练目标检测模型的时候，Loss一直不正常，先下降了一下，然后急剧上升直至为NAN。然后报错Model diverged with loss = NaN.。截取部分日志如下：INFO:tensorflow:loss = 18919772.0, step = 0INFO:tensorflow:loss = 344412.66, step = 100 (27.579 sec)INFO:tensorflow:loss = 156323.77, st

CVPR2020收录了一篇卡通化的文章，Xinrui Wang和Jinze Yu的《Learning to Cartoonize Using White-box Cartoon Representations》。可以把人物或者风景画转换为卡通风格的图片，效果非常惊艳。相比于之前深度学习为人诟病的“黑盒”学习，文章中提出了生成卡通化图片的“白盒”表示法，将图像分解为三种卡通表示，指导网络优化生成卡通照片，三种表示分别是surface表示、structure表示、texture表示。我个人的理解是，图像的

本文主要介绍OpenCV的DNN模块的使用。OpenCV的DNN模块自从contrib仓库开始，就是只支持推理，不支持训练。但是仅仅只是推理方面，也够强大了。现在OpenCV已经支持TensorFlow、Pytorch/Torch、Caffe、DarkNet等模型的读取。本文们就以风格迁移为例，来看一下OpenCV DNN模块的用法。相比于复杂而耗时的模型训练过程，模型推理就显得简单多了。简单来说，过程就是：加载模型输入图像预处理（跟训练过程一样的方式，增强除外）模型推理1. 加载模型因为.

卷积，这个词大家应该都不陌生，数学中傅立叶变换的时候，物理中信号处理的时候，图像处理中滤波的时候、提取边缘的时候，还有深度学习中卷积神经网络的时候，处处可见卷积的影子。卷积在图像处理中的应用非常广泛，可以说理解了卷积，就可以理解图像处理算法的半壁江山，也不知道这个说法是否夸张了。但是都说卷积卷积，那卷积到底是怎么个卷法呢？本文尝试解答这一问题。理解的卷积计算过程想要理解卷积，一些必要的数学公...

1. Faster RCNN batch size 只能设为1？参考：object detect api fasterrcnn OOM:https://github.com/tensorflow/models/issues/3697#issuecomment-425992882有三种可选的办法：Add pad_to_max_dimension : true in keep_aspect_r...

编程是需要练习的，需要项目练手的。听不少人说过，学习完OpenCV的基础部分之后就不知道该干什么了？怎么可能呢？实际上能做的事情很多，不要因为觉得太简单或者太难就不动手做了。只要有兴趣有时间有需要，就先动手做起来。哪怕先实现其中最简单的部分，后面再慢慢的一边学习一边添加功能，也是好的。下面推荐一些项目，没有源码，自己动手查资料做哦，即使是网上能找到代码我还是推荐自己写一遍。实现

有人在github上发布了何凯明的Mask R-CNN目标检测和对象分割Keras和TensorFlow的实现代码。这个实现基于Python 3、Keras和TensorFlow。模型对图片中的每个对象实例生成包围框（bounding boxes）和分割掩膜（segmentation masks）。基于特征金字塔网络（FPN）和ResNet101的主干（backbone）。 这个giuhub仓

一、初得模型那是一个月之前的事情了，我利用TesorFlow Object Detection API训练了现在目标检测里面应该是最快的网络MobileNet。当时的目的就只是学习整个finetuning的流程，于是我只是用了20张自己标注的人脸样本图片作为训练集去finetuning，训练完之后的模型通过修改TesorFlow Object Detection API自带的例程代码，即object

一、环境windows 7python3.6（Anaconda3）keras 2 api二、模型保存遇到了这个问题保存部分代码如下：model_name = 'ssd7_0'model.save("ssd7_0.h5")model.save_weights(r'ssd7_0_weights.h5')然后运行就遇到了这个问题：--------------------------------

OpenCV3.3在8月3号正式出炉，想要体验最新特性的朋友可以去官网下载了，反正配置一下只需要几分钟。这次最主要的更新就是，终于把DNN模块从contrib里面提到主仓库里面，放到了官方发布版中。虽然我配置的一直是OpenCV with contrib，但是对于DNN模块，限于电脑配置太低，一直没有怎么尝试。这次可以借着新版发布抽空尝试一下了。按照官方介绍，DNN现在有下面几点特性：无需任何依赖新