Дорисовывание лиц с помощью машинного обучения

В этом примере показано использование различных алгоритмов машинного обучения для завершения изображений. Цель состоит в том, чтобы предсказать нижнюю половину лица, учитывая его верхнюю половину.

Первый столбец изображений показывает настоящие лица. Следующие столбцы иллюстрируют, как деревья (extremely randomized trees), метод k-ближайших соседей (k nearest neighbors/K-nn), линейная регрессия (linear regression) и RidgeCV (ridge regression complete) завершают нижнюю половину этих лиц.

# Подключаем библиотеки import numpy as np import matplotlib.pyplot as plt  from sklearn.datasets import fetch_olivetti_faces from sklearn.utils.validation import check_random_state  from sklearn.ensemble import ExtraTreesRegressor from sklearn.neighbors import KNeighborsRegressor from sklearn.linear_model import LinearRegression from sklearn.linear_model import RidgeCV  # Загружаем наборы данных data = fetch_olivetti_faces() targets = data.target  data = data.images.reshape((len(data.images), -1)) train = data[targets < 30] test = data[targets >= 30]  # Test on independent people  # Тест на подмножество людей n_faces = 5 rng = check_random_state(4) face_ids = rng.randint(test.shape[0], size=(n_faces, )) test = test[face_ids, :]  n_pixels = data.shape[1] # Верхняя половина лиц X_train = train[:, :(n_pixels + 1) // 2] # Нижняя половина лиц y_train = train[:, n_pixels // 2:] X_test = test[:, :(n_pixels + 1) // 2] y_test = test[:, n_pixels // 2:]  # Определяем методы ESTIMATORS = {     "Extra trees": ExtraTreesRegressor(n_estimators=10, max_features=32,                                        random_state=0),     "K-nn": KNeighborsRegressor(),     "Linear regression": LinearRegression(),     "Ridge": RidgeCV(), }  y_test_predict = dict() for name, estimator in ESTIMATORS.items():     estimator.fit(X_train, y_train)     y_test_predict[name] = estimator.predict(X_test)  # Визуализация image_shape = (64, 64)  n_cols = 1 + len(ESTIMATORS) plt.figure(figsize=(2. * n_cols, 2.26 * n_faces)) plt.suptitle("Завершение изображений с помощью различных алгоритмов машинного обучения", size=16)  for i in range(n_faces):     true_face = np.hstack((X_test[i], y_test[i]))      if i:         sub = plt.subplot(n_faces, n_cols, i * n_cols + 1)     else:         sub = plt.subplot(n_faces, n_cols, i * n_cols + 1,                           title="true faces")      sub.axis("off")     sub.imshow(true_face.reshape(image_shape),                cmap=plt.cm.gray,                interpolation="nearest")      for j, est in enumerate(sorted(ESTIMATORS)):         completed_face = np.hstack((X_test[i], y_test_predict[est][i]))          if i:             sub = plt.subplot(n_faces, n_cols, i * n_cols + 2 + j)          else:             sub = plt.subplot(n_faces, n_cols, i * n_cols + 2 + j,                               title=est)          sub.axis("off")         sub.imshow(completed_face.reshape(image_shape),                    cmap=plt.cm.gray,                    interpolation="nearest")  plt.show() 

FavoriteLoadingДобавить в избранное
Posted in Без рубрики

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *