![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习应用
文章平均质量分 59
LX-CV
这个作者很懒,什么都没留下…
展开
-
找论文和相关代码的方法
相关网址:https://arxiv.org/search/cs可以看到code和数据集如果开源的话这边都会有 ;原创 2021-10-26 17:44:43 · 465 阅读 · 0 评论 -
H3D-Net: Few-Shot High-Fidelity 3D Head Reconstruction论文学习
一:about: Few-Shot Learning(小样本学习)k-shot代表每个种类的样本中有k个样本带标签,其他样本不带标签;p-way代表从种类中随机选取p类种类;则few shot learning就是从所有种类中随机选取p个种类,每个种类中选取K个样本作为支持样本(含有标签的样本),其他剩余的样本作为测试样本 ; 即要求模型从KP个数据中学会如何区分这K个类别;总体称为P-way K-shot ;上图为5-way 1-shot ; 右边的训练样本还有很多,剩余的都是,但此处我们只列出原创 2021-10-21 17:50:33 · 554 阅读 · 0 评论 -
pycharm中安装包的方法
1:直接在pycharm中根据报错安装 ;2:在prompt shell中进入pytorch环境,然后利用pip语句安装 ;3:在pycharm中进入设置中的interpret中,点击+,然后选取想要安装的包4:在anaconda中进入pytroch环境,然后在该环境中安装包;...原创 2021-10-07 20:46:06 · 4237 阅读 · 0 评论 -
Dlib检测器
Dlib检测器Dlib检测器包括Dlib人脸特征点检测器和Dlib人脸检测器 ;1: Dlib人脸检测器:先创建Dlib人脸检测器 , 返回的是个列表,用于存储矩形,有多少人脸就存储多少个矩形;再创建Dlib人脸特征点检测器,根据矩形获得每个人脸的68个特征点的坐标,返回的是个列表,列表里存储的是元组,存储的是每个特征点的二维坐标;import cv2import dlibimg = cv2.imread('1.jpg') #格式为h , w , chanel dlib_face_dec原创 2021-09-28 13:48:02 · 264 阅读 · 0 评论 -
Pytorch文档部分说明
1:关于冻结网络的部分参数的方法;Pl:此时可以让提取特征的卷积层进行冻结权重参数,使用已经训练好的参数 ; 而对于自定义的全连接层,仍然需要更新权重参数 ;2:pytorch的广播运算:一:先判断是否可以进行广播:如果 pytorch 张量满足以下条件,那么就可以广播:每个张量至少有一个维度。在遍历维度大小时, 从尾部低维度开始遍历, 进行广播的tensor二者维度要么相同,要么其中一个为1,要么其中一个维度不存在 ; 违背以上原理不可进行广播;二:可广播后计算的形式为:...原创 2021-09-07 23:41:32 · 470 阅读 · 0 评论 -
Dive into Deep Learning
一:函数理解:1: torch.concatenate(tensor 1 , tensor2 , axis =0,1)若axis = 0,则在列上进行连接,若axis = 1 ; 则在行上进行连接 ; 同时tensor可以换成numpy进行连接 ;2:torch.norm(numpy or tensor , ord =1 /2 , axis =0 /1)详解:是求tensor或者numpy的范数,若ord=1,则求第一范数,axis =0,则求列向量的范数 ;3:torch.tensor原创 2021-08-25 23:33:05 · 524 阅读 · 0 评论 -
北邮-初始计算机视觉之三维重建
1:计算机视觉两大方向2:区分计算机视觉的两大应用:1:3D reconstruction2:图像识别,分类,分割,语义信息目前这两大应用都是用到深度学习和卷积神经网络(用pytorch实现)3:识别每一个图片:图片就是像素点组成的,每个像素点的取值是0-255,一个像素点数值就代表一个颜色,若干颜色在一起组成了一张图片; 可以参照下黑白01(0白色,1黑色)进制图片来联想4:计算图中每个像素点的求导:该点对x轴进行求导就是右边的像素点减去左边的像素点该点对y轴进行求导就是上面的像素点原创 2021-08-18 23:03:11 · 281 阅读 · 0 评论 -
龙曲良版本的pytorch学习
1 权重参数的更新(Optimer.step()) :根据上述计算的梯度值,不断进行权重参数得更新参数优化目的:不断更新权重参数,使得损失值达到最小。参数优化的方法:权重参数=权重参数-权重参数梯度学习率损失值计算的方法:给定参数计算损失值; loss = inputw.t() +b – target 的平方例子:求 y=wx+b的参数,给100个点( x , y );解法:我们已知(x,y)的N个点,此时我们定义的损失函数如上所示,不断更新权重参数W和B,使得总损失值最小(根据已知的x,原创 2021-08-18 23:00:33 · 980 阅读 · 0 评论 -
Face Alignment in Full Pose Range: A 3D Total Solution(3DDFA)论文与项目学习
一:对于PAF和PNCC的构造理解:PAF:首先初始化一个3DMM的参数P ,然后利用公式重建出三维人脸模型 ;1:将该三维人脸模型进行上取样得到一个64x64的feature anchor ;2:在将该三维人脸模型投影到二维平面上,从而又得到一个64x64的feature anchor ; 此时将两个feature anchor设置为一个可视化,一个不可视化;3:分别剪切每个feature anchor大小为dxd ; 与原来的图片连接成扩展的二维图片 ;4:将该图片进行卷积处理,得到64原创 2021-08-04 23:34:51 · 1464 阅读 · 0 评论