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...
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...