data-v-4d3e2fd7>Photo by Marisol Benitez on Unsplash,本文来自微信公众号:,作者:德米特里,制图:孙绿,校稿:猫斯图,编辑:养乐多说起倾斜的建筑,人们第一个想起的往往都是意大利的比萨斜塔。但是有这么一座城市,城中心的全部建筑几乎都出现了不同程度的倾斜。那就是墨西哥的首都墨西哥城。今天上场的,就是墨西哥城如同一些沿海城市一样,墨西哥城也遭遇着地面沉降问题,近年来城区部分地区每年下降程度达到惊人的30厘米。相比之下总是被警告正在沉入海底的水城威尼斯,下降到这个距离,则需要至少20年。这可真是个问题那么墨西哥的首都为何沉降幅度如此之大,又怎么样才能...... Last article READ

表情包AI生成器:识别人脸情绪,自动配文字

  梅宁航发自凹非寺 

  量子位报道公众号 QbitAI

  Meme 表情包,兴盛于各大社交网站,但自己动手制作费时耗力。

  “急民之所急”,表情包自动生成器出现了。

  以往的此类生成器,只是简单的图片配文字,总觉得有点文不对题。

  这一次,作者巧妙利用卷积神经网络,做到了识别图片中的情绪(仅限人脸哟),这样配上的文字可信度就比较契合语境了。

  斗图走一波。

  非常高兴的大姚

  丞相在笑

  团长很愤怒

  静静的看着你

  从高兴到平常心,机器在分别判定图中人物的情绪。

  有点意思。

  操作流程

  把大象🐘装冰箱分三步,制作属于自己的表情包也只要三步。

  第一步,打开 meme 生成器网站,熟悉一下英文界面;

  第二步,上传一张清晰的人脸图像,注意一定是人脸哟,奇怪的东西不要上传。

  第三步,点击 generate meme,静静等待饱含深情的表情包。

  好了就是这么简单,当然,这里仅供演示,更多玩法,自行探索。

  应该能看到,这款 meme 不同以往的特点是文字可以匹配情绪。

  人脸的情绪判别

  作者使用了两类数据集进行训练,一部分是高兴,一部分是悲伤。

  两类数据集的规模必须确保较为平均,否则二分类的结果会严重偏向一方,准确度会下降。

  在此过程中,会出现两个问题:

  过采样,在整个数据样本中,一部分数据集过多,训练结果会更加偏向多的那部分。
欠采样,把大数类的数据减少到与小数类的数据量相匹配,减少样本量。

  当然,确保平衡最重要,如果进行欠采样,总样本会减少,有可能让模型降低泛化能力。

  这时候,你需要数据增强技术来人工增加样本数据。

  △一只猫,变成六只。

  在获得足够数据后,作者使用卷积神经网络(CNN)进行训练,对人脸表情进行特征提取,随后进行足够的训练批次。

  此时,人脸情绪可以识别,随后就是配文字了···

  表情包配文字

  以文配图,以图配文,最重要的是匹配。

  在这款 Meme 生成器中,作者使用chef软件作为配置管理工具。

  用户上传图片,机器工作流程如下:

  判别是否是人脸,如果是,进入第二步;
判别情绪,是高兴还是悲伤,得到评估结果(metric);
依照情绪判定,生成相应文字。

  简单来说,用户上传一张图片,机器调用预先训练的模型去对图片进行二分类,得到一个有偏向概率值,得到图片情绪。

  作者使用 TensorFlow 预训练一个文字对齐(text alignment)模型,判定情绪后,在既有存储文字的数据集中,进行相关图片的文字匹配度,最终组合文字和图片。

  生成一张表情包就这么简单~

  是不是真的有这么强大,网址在下面👇。

  试试便知~

  参考链接:

  

  

  

  有时候在脑子里一闪而过的不只是灵感,还有积压在脑海里多年的记忆碎片:那首只记得旋律的歌到底是什么、偶然瞥见的一幅画叫什么名字、多年前在网上见到的网红照片究竟是谁……   每次手脚并用向别人描述却还是得不到答案的时候,都恨不得直接让对方来自己脑子里溜达一圈。   你能猜到刘亦菲在比划什么吗?   不过在豆瓣里却有这么一个大神齐聚的神奇小组——互助回忆小组,就算你的记忆碎片少得可怜,也总会有人云淡风轻地在评论区给出正确答案。   这些小组到底有多神奇?口说无凭还是给大家找几个案例来直观地感受下。   一级难度   咱们先来看看小组里算是送分题......Next article READ