基于AI的图像视觉处理技术( 二 ) _分割

技术思想及原理分析
loss的出现是为了解决多分类损失函数 loss的缺点， loss分类的作用仅仅是把每个类别刚好分开，而不能拉开类别之间的距离，这会导致模型使用时，出现在类别边缘的样本点无法准确的分类。而 loss的作用是把每个类别内部的样本点聚集到一起，从而扩大了类别之间的距离，防止了样本点出现在类别边缘而无法准确分类的情况。值得注意的是 loss只一个辅助分类函数，必须要和 loss一起使用才有效果，单独使用是无法达到准确分类的效果的。
应用场景及商业价值
所有分类模型的损失函数作用都是分类，但是不同的损失函数，其分类效果也大不一样。比如 loss损失函数的作用是普通分类，也就是不同类别之间的分类；而 loss损失函数的作用是进行更精细化的分类，应用场景更适合同一类别内部的样本实例分类，比如人脸分类，车辆分类等，这些都是同一类别内部不同样本的分类。
2.Arcloss
Arc- = Arc- +。是通过角度分类的， Arc- 加宽了角度间的分界线，从而达到加大类间距的目的。
技术思想及原理分析
Arcloss又称arc face loss ，是专门为人脸识别分类而设计的一种损失函数，其之前的版本有A- loss、L- loss、AM- loss 。和 loss不同的是， arcloss是直接对 loss进行改进，通过增加不同类别之间的角度距离来使不同类别获得更好的分类效果。两者都是减小同一类别中边缘的样本点与中心样本点的距离，只是使用了不同的方法， loss采用的直接是欧式距离的做法，在同一类别下的所有样本点之间计算距离，这使得硬件资源的开销过大，不适合超大样本的分类计算；而arcloss不对单个样本点进行计算，采用的是对每两个类别的决策面进行扩压，使得两个类别的边界线越来越大，从而将每个类别内部的样本点挤压到了一起，达到了精细化分类的效果，在计算效率远远大于 loss 。

文章插图
应用场景及商业价值
虽然Arcloss和 loss 的的技术实现方法不一样，但是目的都是一样的，都是为了更精细化的分类。二者的应用场景也是一样的，主要应用方向是对与同一类别下的实例目标进行分类识别。人脸做为每个人的身份信息，其商业价值是非常巨大的，比如商家识别了客户脸部信息，建立准确的客户信息表，下次就可以针对性的销售。
三、对象生成
1.Auto
1986 年提出自动编码器的概念，并将其用于高维复杂数据处理，促进了神经网络的发展。自编码神经网络是一种无监督学习算法，它使用了反向传播算法，并让目标值等于输入值，比如y(i)=x(i)。下图是一个自编码神经网络的示例：
技术思想及原理分析
AE模型（Auto ）就是自编码模型，自编码的工作是让输入数据自己给自己编码，简单来说就是让输出等于输入！那么为什么要这么做呢？有必要让输出等于输入吗？如果输入是一张图片，那么直接复制一张图片作为输出不就行了吗？为什么要费尽心思让输出数据和输入数据一样呢？其实自编码的优点就体现于此，我们先来看看自编码的结构：