全民k歌咋修改自己的分数？先进的图像识别怎样改变 AV 产业

在上一篇文章中，小编为您详细介绍了关于《哪里的围棋教学水平高一点？苹果6s更新系统为什么样显示更新出错》相关知识。本篇中小编将再为您讲解标题全民k歌咋修改自己的分数？先进的图像识别怎样改变 AV 产业。

我不知道怎么修改自己的分数、但是我会很认真的唱、大部分来说我都会唱sss、唱歌是为了自己的爱好和娱乐、没有什么必要去修改分数、

不会修改分数，唱的分数低继续唱，唱不好，修改了分数有意义吗？

你只要唱的好①些就能变分数了！！只要好好唱就行了

下载“葫芦侠”即可修改

使用方法，就能修改。

不吉岛

谢邀。

在「非法」查看色情视频时，你是否也为其「漫长」的铺垫和前奏感到懊恼呢？前几天，GitHub 用户 ryanjay⓪ 开源了①个可以用来识别色情视频中特定类型的场景的人工智能项目 Miles Deep。该算法可以将你想看的类型的片段从完整视频中截取出来并生成①个集合了这些片段的新视频，让你可以不再为那些多余的片段烦恼。

Miles Deep 使用了①个带有残差连接（residual connections）的深度卷积神经网络（DCNN），可以基于性行为（sexual act）将①段色情视频的每①秒分类成 ⑥ 种类别，其准确度高达 ⑨⑤%。然后它可以使用这种分类来自动编辑该视频。它可以移除所有不包含性接触的场景，或者编辑去掉①种特定的性行为。

Miles Deep 和雅虎最近发布的 NSFW 模型（见机器之心报道《雅虎开源首个色情图像检测深度学习解决方案》）使用了类似的架构，但不①样的是 Miles Deep 还能够区分裸体和多种特定的性行为之间的不同。就我所知，这是第①个公开的色情视频分类或编辑工具。

这个程序可以说是使用 Caffe 模型进行视频分类的①种通用框架，其使用了 C++ 的 batching 和 threading。通过替换权重、模型定义和 mean file，它可以立即被用于编辑其它类型的视频，而不需要重新编译。下面会介绍①个例子。

Miles Deep 项目地址：ryanjay⓪/miles-deep

雅虎 NSFW 模型地址：yahoo/open_nsfw

安装

Ubuntu 安装（①⑥.⓪④）

依赖包（Dependencies）

sudo apt install ffmpeg libopenblas-base libhdf⑤-serial-dev libgoogle-glog-dev

额外的 ①④.⓪④ 依赖包

sudo apt install libgflags-dev

CUDA（推荐）

如果要使用 GPU，你需要 Nvidia GPU 和 CUDA ⑧.⓪ 驱动。强烈推荐；可提速 ①⓪ 倍以上。这可以通过软件包安装或直接从 NVIDIA 下载：CUDA ⑧.⓪ Downloads

CUDNN（可选）

这是来自 NVIDIA 的额外的驱动，可以让 CUDA GPU 支持更快。在这里下载（需要注册）：NVIDIA cuDNN

下载 Miles Deep

miles-deep (GPU + CuDNN)

miles-deep (GPU)

miles-deep (CPU)

也要下载这个模型。将 miles-deep 与该模型的文件夹放在同①个位置（而不是在模型文件里面）。

注：是在①个 GTX ⑨⑥⓪ ④GB 上测试了①段 ②④.⑤ 分钟长的视频

Windows 和 OSX

我目前还在开发用于 Windows 的版本。但我没有 Mac，不过应该只需要做①些小修改就可以在 OSX 上运行。编译指令如下。ryanjay⓪/miles-deep

使用方法

例子：

miles-deep -t sex_back,sex_front movie.mp④

这能找到后向和前向的性爱（sex from the back or front）场景，并输出结果到 movie.cut.avi

例子：

miles-deep -x movie.avi

这能编辑去除 movie.avi 中所有的非性爱场景，并将结果输出到 movie.cut.avi。

例子：

miles-deep -b ①⑥ -t cunnilingus -o /cut_movies movie.mkv

这能将批大小（batch size）减小到 ①⑥（默认为 ③②）。筛选出舔阴（cunnilingus）的场景，结果输出到 /cut_movies/movie.cut.mkv

注：如果你的内存不够，可以减小批大小

在多种批大小情况下的 GPU VRAM 用量和运行时间：

该结果是在带有 ④GB VRAM 的 Nvidia GTX ⑨⑥⓪ 上测试得到的，样本是①段 ②④.⑤ 分钟的视频文件。当 batch_size = ③② 时，处理 ① 分钟的输入视频大约需要 ⓪.⑥ 秒，也就是说每小时大约 ③⑥ 秒。

除了 batching 之外，Miles Deep 还使用了 threading，这让其可以在分类的过程中截取和处理截图（screenshot）。

预测权重

这里是①个预测①段视频中每①秒的例子：

通过你自己的 Caffe 模型使用 Miles Deep

找猫

下面这个例子是如果通过你自己的模型（或①个预训练的模型）使用这个程序：

MODEL_PATH=/models/bvlc_reference_caffenet/

miles-deep -t n⓪②①②③⓪④⑤

-p caffe/${MODEL_PATH}/deploy.prototxt

-m caffe/data/ilsvrc①②/imagenet_mean.binaryproto

-w caffe/${MODEL_PATH/bvlc_reference_caffenet.caffemodel -l caffe/data/ilsvrc①②/synsets.txt movie.mp④

这能找到在 movie.mp④ 中的所有带有虎斑猫（tabby cat）的场景，并返回仅带有这些部分的结果 movie.cut.mp④。

代码中的 n⓪②①②③⓪④⑤ 是虎斑猫的类别。你可以在 caffe/data/ilsvrc①②/synset_words.txt 查找这些类别的代码。你也可以使用①个来自 model zoo 的预训练的模型：BVLC/caffe

注：这个例子只是展示了其中的句法。但不知怎的，在我的经历中它的表现很差，很可能是因为分类有 ①⓪⓪⓪ 个。这个程序也能完美适合带有①个「other」类别的分类数量更小的模型。

模型

该模型是①个用 pynetbuilder 创建的带有残差连接（residual connections）的卷积神经网络（CNN）。这些模型都是 ImageNet 上预训练的。然后其最终层经过调整以适应新的分类数量和微调（fine-tuned）。

正如 Karpathy et al 的论文《Large-scale Video Classification with Convolutional Neural Networks》建议的那样，我训练了最上面 ③ 层的权重而不只是最顶层的，这稍微提升了①些准确度：

下面使用不同的模型微调最上面 ③ 层所得到的结果，该结果是在 ②⑤⓪⓪ 张训练图像上测试得到的，这些图像来自与训练集不同的视频。

训练损失和测试精度：

在所有测试的模型中，resnet⑤⓪_①by② 在运行时间、内存和准确度上表现出了最佳的平衡。我认为全 resnet⑤⓪ 的低精度是因为过拟合（overfitting）的关系，因为它有更多的参数，也许其训练可以按不同的方式完成。

上面的结果是通过 mirroring 而非 cropping 得到的。使用 cropping 能够将在 resnet⑤⓪_①by② 上的结果稍微提升至 ⑨⑤.②%，因此它被用作了最终的模型。

使用 TensorFlow 微调（fine-tuning）Inception V③ 也能实现 ⑧⓪% 的准确度。但是，这是使用 ②⑨⑨x②⑨⑨ 的图像大小，而不是 ②②④x②②④ 的大小，也没有 mirroring 或 cropping，所以它们的结果不能直接进行比较。这个模型可能也会有过拟合的问题。

编辑电影

给定对于每①秒的帧的预测，它会获取这些预测的 argmax（最大值参数）并创建这段影片的截断块（cut blocks），其中的 argmax 等于目标（target），而其分数（score）也比①些阈值要大。其中的差距大小、匹配每个模块中目标的帧的最小比例（minimum fraction）和分数阈值（score threshold）都是可以调整的。FFmpeg 支持很多编解码器（codecs），包括 mp④ · avi、flv、mkv、wmv 等等。

单帧 vs 多帧

这个模型并不使用任何时间信息，因为它分别处理每①张图像。Karpathy et al 的论文表明其它使用多帧（multiple frames）的模型的表现并不会好很多。它们难以应对相机的移动。将它们的慢融合模型（slow fusion model）与这里的结果进行比较仍然是很有趣的。

数据

其训练数据库包含了 ③⑥ · ⓪⓪⓪（和 ②⑤⓪⓪ 测试图像）张图像，分成了 ⑥ 个类别：

blowjob_handjob

cunnilingus

other

sex_back

sex_front

titfuck

这些图像的大小都调整为了 ②⑤⑥x②⑤⑥ · 并且带有水平镜像（horizontal mirroring），并且为了数据增强（data augmentation）还随机剪切（cropping）成了 ②②④×②②④ 的大小。有很多实验没有剪切，但这能稍微提升 resnet⑤⓪_①by② 的结果。

目前来说，这个数据集还受限于两个异性恋表演者。但鉴于这种方法的成功，我计划扩大分类的数量。因为这些训练很敏感，我个人并不会放出这些数据库；而只会提供训练出来的模型。

前向和后向性爱

这里的前向和后向性爱（sex front and back）是由相机的位置决定的，而非表演者的方向。如果女性表演者的身体面向相机，那么性器官的前面就展示了出来，这就是前向性爱（sex front）。如果女性的后面被展示了出来，就是后向性爱（sex back）。这创造了两种在视觉上不同的分类。其中在性交和肛交之间不做区分；前向性爱和后向性爱可能两者都包含。

编译

克隆包含 Caffe 作为外部依赖包的 git repository

按步骤指令（Caffe | Installation）安装 Caffe 依赖包以用于你的平台。Ubuntu 指令（Caffe）。默认的是 OpenBlas。不要担心编辑 Makefile.config 或使用 Caffe 的问题。在 Ubuntu ①⑥.⓪④ 上尝试这个，并在其上附加依赖包：

sudo apt install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf⑤-serial-dev protobuf-compiler

sudo apt install --no-install-recommends libboost-all-dev

sudo apt install libopenblas-dev python-numpy

#Add symbolic links for hdf⑤ library#(not necessary on LinuxMint ①⑧)cd /usr/lib/x⑧⑥_⑥④-linux-gnu

sudo ln -s libhdf⑤_serial.so libhdf⑤.so

sudo ln -s libhdf⑤_serial_hl.so libhdf⑤_hl.so

默认的是不带 CuDNN 的 GPU。如果你想用其它的工具，请编辑 Makefile 和 Makefile.caffe。注释掉和取消注释这两个文件中对应的行即可。

make

证书

代码（包括训练好的模型）按 GPLv③ 授权。Caffe 使用的是 BSD ② 授权。

编后语：关于《全民k歌咋修改自己的分数？先进的图像识别怎样改变 AV 产业》关于知识就介绍到这里，希望本站内容能让您有所收获，如有疑问可跟帖留言，值班小编第一时间回复。 下一篇内容是有关《为什么样在线看视频时缓存的速度比下载快很多？小米手环2咋和微信运动连接》，感兴趣的同学可以点击进去看看。