提供足够的训练数据，自动编码器最终能学习重建原始图像。我需要这个网络完成的任务是，将戴着眼镜的图像作为输入，然后输出摘除了眼镜的图像。我使用了 TensorFlow 里一个卷积神经网络自动编码器的代码，作者是 Parag K. Mital，并且重新定义了期望输出（摘除眼镜的图像）和重构图像之间的差异的代价函数，但仍然将戴着眼镜的图像作为输入，训练该网络以执行这些计算。这样做意味着这个网络已经不再是自动编码器，而只是一个具有对称拓扑结构和线性层的卷积神经网络。

　　利用这种方法，我们做出了“iSee”应用，效果很好，当然，这是在对超参数进行仔细的调整后的效果。下图展示了该模型对三位 DITTO 员工的照片进行摘除眼镜测试的效果，这些照片没有包含在训练集中。可以看到，网络在摘除他们的眼镜后，能够修复他们脸上原本被眼镜遮盖的区域。网络也能去除在图像上的大小、位置等不同的眼镜。与前人研究的方法相比，iSee 的方法可以用于不同脸部结构、不同肤色的人脸，只要训练数据中提供有相似的面孔即可。

　　iSee 摘除眼镜测试，超参数优化后的效果

　　预处理和超参数优化

超参数优化前的效果

　　最初处理后的图像并不是很清晰，这是由于参数和权重的限制造成的，需要对图像进行预处理和超参数优化，对卷积层和滤波器的要求也相应提高。超参数优化是一个相当耗时的过程，将卷积滤波器从2*2提高到3*3就可以极大地提高眼镜摘除效果。这里 Runfeldt 采用的方法是，降低取样、减少批处理量、手动调节参数。采用仅识别眼镜部分图像的方法进行图像预处理，这就避免了对整个图像和背景处理的繁琐程序。

　　结论

　　iSee 在会上展出时，在场的专家都非常震惊，一个业界新手竟能将深度学习应用到如此境地。我们知道深度学习其实是一门应用科学，iSee 的发明就证明了这一点，也是受了相应的启发：集成数据可以用于训练神经网络，识别并去除图像中的抽象物体。深度学习的应用还很广泛，我们期待 iSee 可以应用到更多的应用中。科技的大门是敞开的，而工具就在那里，等着未来的数据科学家、工程师们去创造更多的奇迹。

　　编译来源：https://blog.insightdatascience.com/isee-removing-eyeglasses-from-faces-using-deep-learning-d4e7d935376f#.yj2qlzo5k

新智元招聘

　　职位 运营总监

　　职位年薪：36- 50万（工资+奖金）

　　工作地点：北京-海淀区

　　所属部门：运营部

　　汇报对象：COO

　　下属人数：2人

　　年龄要求：25 岁 至 35 岁

　　性别要求：不限

　　工作年限：3 年以上

　　语 言：英语6级（海外留学背景优先）

　　职位描述

负责大型会展赞助商及参展商拓展、挖掘潜在客户等工作，人工智能及机器人产业方向

擅长开拓市场，并与潜在客户建立良好的人际关系

深度了解人工智能及机器人产业及相关市场状况，随时掌握市场动态

主动协调部门之间项目合作，组织好跨部门间的合作，具备良好的影响力

带领团队完成营业额目标，并监控管理项目状况

负责公司平台运营方面的战略计划、合作计划的制定与实施

　　岗位要求

大学本科以上学历，硕士优先，要求有较高英语沟通能力

3年以上商务拓展经验，有团队管理经验，熟悉商务部门整体管理工作

对传统全案公关、传统整合传播整体方案、策略性整体方案有深邃见解

具有敏锐的市场洞察力和精确的客户分析能力、较强的团队统筹管理能力