东方吧 关注:646,531贴子:17,558,432
  • 6回复贴,共1

基于卷积神经网络的仿黄昏绘与ZUN绘画风识别模型的初步构建

只看楼主收藏回复

闲来没事,用最近搞项目用到的深度学习算法稍微做一下仿黄昏绘和ZUN绘的立绘画风识别......
图集:150张仿黄昏绘(或称Dairi绘),150张ZUN绘;涵盖东方旧五作到东方兽王园的包括自机在内的人物立绘(半身和全身都有,无背景)。

↑仿黄昏绘东方人物立绘图集(n=150)↑

↑ZUN绘东方人物立绘图集(n=150)↑
使用卷积神经网络(CNN)模型进行两种画风东方立绘的深度学习区分并评估效果。
模型描述及效果评价:模型的构建主要借助PyTorch实现,PyTorch的核心模块之一是torch库,其提供了构建神经网络模型所需的层组件以及优化算法。本研究使用的CNN模型主要由卷积层、激活函数、池化层等组件构成。其中卷积层分别包括16个大小为8×8、32个大小为6×6、64个大小为4×4的滤波器,滑动步长均设置为1;在卷积层后设置了激活函数与池化层,激活函数为Relu函数,池化层的类型、大小与滑动步长分别设置为最大池化(MaxPool)、2×2和2。模型的优化则采用了反向传播的学习机制,学习次数设置为25,通过Adam优化算法训练模型参数以最小化损失函数,初始学习率为0.001。最后将通过准确率、精确率以及绘制混淆矩阵综合评估该模型的分类性能。
模型训练及测试结果:按照7:3的比例将图集划分为训练集和测试集,将训练集导入模型并执行一定次数的反馈学习以优化模型,用测试集测试优化后模型的分类性能。结果显示该CNN模型经过训练优化,能够实现高达93.6%的准确率以及93.7%的精确率,表明该模型具有良好的仿黄昏绘和ZUN绘画风识别能力。

↑模型训练过程准确率变化曲线↑

↑训练后模型分类性能测试结果——混淆矩阵↑
出乎意料地效果还行,不过纯粹做着放松用的 _(:з」∠)_ 有啥研究过程方面的学术建议当然会采纳...


IP属地:山东1楼2024-08-29 12:29回复
    栗卷餐铜、1515305、tfstdn. . . 被楼主禁言,将不能再进行回复
    看不懂,但是牛啊


    IP属地:广东来自Android客户端2楼2024-08-29 13:00
    回复
      哇浪,这么厉害?


      IP属地:福建来自Android客户端3楼2024-08-29 14:02
      回复
        楼主你好,请问可以分享一下工程源码么,想学习学习


        IP属地:河南来自Android客户端5楼2024-11-28 10:08
        收起回复
          大佬啊


          IP属地:广西来自Android客户端6楼2024-11-28 11:30
          回复


            IP属地:广东来自Android客户端7楼2024-11-30 18:40
            回复