如何使用深度学习生成模糊背景？

概述：

介绍我们使用的深度学习模型和ReLu6

介绍如何使用深度学习生成模糊背景

介绍

背景模糊效果是一种常见的图像效果，主要用于拍摄特写镜头上。它可以给我们的图像增加了一种深度感，突出关注图像的某一部分。为了获得这种效果，我们通常使用一些照片编辑应用程序，例如Photoshop，Gimp，Picsart，Snapseed等，但随着时间的推移，我们在计算机视觉和使用深度学习的图像处理方面取得了显着改善，我们可以使用深度学习来获得这种效果。在本文中，会引导你完成完整的实现以及代码和一些理论方面的知识，以便更好地理解相关内容。

目录

实现原理

我们使用的深度学习模型

ReLu6

实施

得分

结论

1． 实现原理

基本上，我们的整个目标是基于称为图像分割的卷积神经网络的高级实现。我们都熟悉CNN，它用于基于图像输入标签数量图像分类，但是，假设为此必须在给定图像中标识特定对象，我们必须使用对象检测和图像分割的概念。

这是图像分类和检测的经典示例，其中如果在单个图像中有多个类别的对象可用，那么我们在进行对象检测的过程中，一旦找到了多个对象的坐标，则给定图像将经过ROIPooling（region of interest pooling），对这些对象进行分类，并在每个标识的对象周围绘制边框。由于边界框仅显示对象在图像内部的位置，所以不会提供有关对象形状的任何信息。简而言之，图像分割是将图像像素分为小部分或片段，并根据相似的信息或属性将它们分组并为其分配标签的过程，这有助于捕获像素级别的非常小的细节。分割会为图像中的每个已识别对象创建一个像素级模板，请看下面的图片，其主要目的是以这种方式训练神经网络，使其可以提供图像的像素级模板。

2． 我们使用的深度学习模型

在了解图像分割概念知乎，接下来让我们看一下要使用的模型，即在coco数据集上训练的mobilenetv2。mobilenetv2是一种轻量级模型，可以在手机等低功耗设备上使用，这是2017年发布的mobilenetv1模型的第二个版本。现在让我们简要了解模型架构。

v2是基于v1的，因此它继承了相同的深度方向的可分离卷积，其中包括深度方向的卷积和点方向的卷积，从而降低了卷积操作的成本。深度卷积简单地说，假设一幅图像包含3个通道，那么每个内核将分别在每个通道上迭代。例如，你有一张（10 x 10 x 3）的图像和（3 x 3 x 1）的3个滤波器，那么结果输出将是一个（8 x 8 x 1）这样的滤波器，之后所有其他滤波器的输出滤波器堆叠在一起，形成由（8 x 8 x 3）组成的特征图。在逐点卷积中，我们采用（8 x 8 x 3）的先前特征图，并应用大小为（1 x 1 x 3）的过滤器，如果应用了15个此类滤波器，则最终结果将叠加起来形成（8 x 8 x 15）的特征图。mobilenetv2对v1进行了一些改进，例如实现了反向残差，线性瓶颈和残差连接。