KGzhang的博客

首先介绍一下工作要求：针对nyu_depth_v2_labeled.mat数据，实现用python读取mat文件里面的数据并在mat中图片上画出每个物品的bounding-box。 首先，通过h5_file = h5py.File(“nyu_depth_v2_labeled.mat”)用h5py将mat数据转化为矩阵;file=scipy.io.loadmat('splits.mat')##遍历

在上一篇的工作基础上，检测到人脸的关键点，并利用这些关键点组成一个区域，对区域外的背景置0;话不多说，先上代码：if __name__=='__main__': path = 'res/00014206.jpg' img = io.imread(path) region = get_landmarks(img) print img.shape shape =

GAN网络在训练生成模型受到了广泛的青睐，文章介绍一个具有条件限制的GAN网络，通过简单的输入数据，来构建我们所需要的条件化的生成器和判别器。文章表明，该模型可以用于学习多模态模型，通过提供了图像标记应用程序的初步示例，演示了该方法如何生成不属于训练标签的描述性标签。 生成式对抗网络近期作为训练生成模型的替代框架，以回避近似许多棘手概率计算问题的困难。 对抗网络的优点是不需要马可夫链，只需要反向

在图片处理过程中，样本数据的组织是个常见的问题，样本组织好了，后面数据转换、读取等都能得心应手。在这里讲一下我在准备样本时的一些心得;首先是os.walk()函数：os.walk(path)返回三个值：parent,dirnames,filenames，分别表示path的路径、path路径下的文件夹的名字和path路径下文件夹以外的其他文件;我用下面的代码来对样本图片建立标签：

首先，安装dlib、skimage前；先安装libboostsudo apt-get install libboost-python-dev cmake接下来到dlib官网dlib.net下载最新的dlib版本（我下的是dlib-19.7），进入文件所在目录解压bzip2 -d dlib-19.7.tar.bz2tar xvf dlib-19.7.tar这是一个二级解压过程，解压得到文件dlib-