记得去实现自己的梦想,dream is power



感悟
2015.6.10另
  火车无聊,记录一下最近的想法吧,主要有两个,一个是科技发展随机到必然的变化,一个是人脸识别,二维到三维的改变。当然还有计算机二进制的变化,再加一个,还有对于目前人脸检测算法的改变。

  关于科技发现随机到必然的发展是指,假设按照摩尔定律,我们计算机的运行速度越来越快,那么我们就可以用一个计算机,不停的产生1.0这些数据,正如我们所知,视屏音频数据都是1.0产生的,那么,如果产生1.0的速度足够快,那么一定可以在短期内产生一个视屏文件,这个文件可能和拍摄的大片完全一致,同时!我们有一个很好的算法,可以检测出符合人类视觉的视屏文件,那么这个时候就不需要导演和演员了,计算机就可以实现这些功能。这就是随机到必然的过程。
   
   关于人脸检测二维到三维的改变,虽然我们目前的人脸检测算法还不是非常成熟,但是肯定有一天,可以实现对三围人脸的时时检测,那么我们假设实现了三维人脸的时时检测和识别。我们在进行视屏沟通的时候,就可以进行换脸了,比如说可以有一个软件,让你在视屏的时候,可以把自己的脸显示为明星的脸。这个是极其危险的一件事情。

  关于改变计算机二进制存储方式这样的过程,颠覆性太大,实施太困难,先不予考虑。

  人脸检测算法的改进是一个很关键的东西,现在的人脸检测有二维到三维改进的趋势,也就是RGB到RGBD的改进过程。如果想进一步提高检测效率,应该把RGBD提高到RGBDT也就是3.5维,这样存储的图片就是类似gif的图像,我们知道,我们很容易从人的笑容和人的面部表情认出一个人,呆板的二维图片,很容易让我们都认错,尤其是PS横行的年代。所以加入RGBDT图片,必然可以大幅提高检测效率。只是对存储和计算要求会提高。

  还有一个就是在目前的基础上,可以对深度图和RGB图进行主成分分析,从而提高检测效率,当然,还有并行算法。

  多么好的idea 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是Python实现Dream MCMC的基本步骤: 1. 定义目标函数,即需要采样的分布。 2. 初始化模型参数,并定义参数的先验分布。 3. 初始化多个马尔可夫链,每个链都有自己的参数值。 4. 每个链都进行一次随机游走,即使用差分进化算法更新参数值。 5. 计算每个链的接受概率,并根据概率接受或拒绝新的参数值。 6. 根据每个链的接受与否,更新其他链的参数值。 7. 重复步骤4-6,直到满足停止准则(如达到最大迭代次数或链的自相关系数小于某个阈值)。 以下是一个简单的Python实现Dream MCMC的代码示例: ```python import numpy as np from scipy.stats import norm # 定义目标分布,这里以正态分布为例 def target_logpdf(x): return norm.logpdf(x, loc=0, scale=1) # 定义先验分布,这里使用均匀分布 def prior_logpdf(x): return np.log(1 / (10 * np.sqrt(2 * np.pi))) - 0.5 * (x ** 2 / 10 ** 2) # 定义差分进化算法 def differential_evolution(chain, target_logpdf, prior_logpdf, scale=0.1): n_chains, n_params = chain.shape # 随机选择三个不同的链 idxs = np.random.choice(n_chains, size=(3, n_chains), replace=True) # 计算新的候选参数值 candidates = chain[idxs[0]] + scale * (chain[idxs[1]] - chain[idxs[2]]) # 计算接受概率 logprobs = target_logpdf(candidates) + prior_logpdf(candidates) - target_logpdf(chain) - prior_logpdf(chain) accept = logprobs > np.log(np.random.uniform(size=n_chains)) # 更新参数值 chain = np.where(accept[:, np.newaxis], candidates, chain) return chain # 定义Dream MCMC算法 def dream_mcmc(n_chains, n_params, target_logpdf, prior_logpdf, n_iterations=1000, burn_in=100): # 初始化模型参数 chain = np.random.normal(size=(n_chains, n_params)) # 初始化马尔可夫链的缩放因子 scales = np.ones(n_chains) # 迭代Dream MCMC算法 for i in range(n_iterations): # 使用差分进化算法更新参数值 chain = differential_evolution(chain, target_logpdf, prior_logpdf, scale=0.01 * scales) # 计算每个链的接受概率,并根据概率接受或拒绝新的参数值 logprobs = target_logpdf(chain) + prior_logpdf(chain) accept_probs = np.exp(logprobs - np.max(logprobs)) accept = np.random.uniform(size=n_chains) < accept_probs # 更新缩放因子 scales = np.where(accept, scales * 2, scales / 2) # 根据每个链的接受与否,更新其他链的参数值 idxs = np.random.choice(n_chains, size=n_chains, replace=True) chain[idxs] = np.where(accept[idxs, np.newaxis], chain, chain[idxs]) # 输出采样结果 if i >= burn_in and i % 100 == 0: print("Iteration", i, "Acceptance rate", np.mean(accept)) return chain # 运行Dream MCMC算法 chain = dream_mcmc(n_chains=10, n_params=1, target_logpdf=target_logpdf, prior_logpdf=prior_logpdf) ``` 以上代码仅供参考,实际使用时需要根据具体问题进行修改和优化。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值