图灵奖揭晓,你一定看过他们的动画片

西雅图IT圈:seattleit

【今日作者】

Powerball选号机

身体和灵魂总有一个要

走在买PowerBall的路上

计算机协会ACM近日公布了2019年度图灵奖得主,两位科学家Edwin Catmull 和 Patrick Hanrahan共同获得了这一计算机领域最高奖项。

  • 两位科学家 是计算机3D图形技术的发明者,这项技术可以说是整个电影工业的基石,而Catmull和Hanrahan二人也都是是影视大厂Pixar的创始团队成员。

  • 早在1979年 Pixar还是Lucasfilm卢卡斯影业计算机部门下的图形小组,对,就是做了几十年星战的那个电影公司。在86年来了这么一位大家都挺熟悉的人,出资将其拆出来单独成了一家子公司,就是后来的Pixar动画工作室,这位独具慧眼的金主就是:

  • Catmull离开母公司成为Pixar的CTO,把读Biophysics生物物理学PhD的Hanrahan招入麾下。二人在Pixar合作开发了RenderMan渲染系统,用图灵奖组委会的话来说是“对电影制作产生革命性影响,将计算机动画电影变成现实”的成果。

  • 可能很多人并没有听说过RenderMan渲染器,但业界甚至有以相同名字命名的RenderMan渲染器规范。它最早被用在Pixar自家电影——玩具总动员中,造就了世界上第一部计算机制作的动画片。

  • 在开放授权后RenderMan就出现在了各个众所周知的大片里:从星战系列到漫威宇宙的几乎每部电影,从泰坦尼克号到迪士尼的动画片们;在过去的47部奥斯卡最佳视觉效果奖提名影片中有44部使用了RenderMan渲染器,它在2001年成为了第一个获得奥斯卡的软件系统。

RenderMan官网列出的参与制作的电影

Catmull在Utah大学读PhD时师从计算机图形学之父、88年图灵奖得主Ivan Sutherland。博士毕业后他回到之前工作过的纽约理工学院(NYIT)担任计算机图形实验室主任,5年后应Lucasfilm创始人邀约进入电影行业,随后创建了Pixar工作室和乔布斯共事26年,被乔帮主评价“非常非常聪明,思想深刻”;尽管后来Pixar卖给了迪士尼爸爸,Catmull老爷子作为迪士尼动画总裁依然负责Pixar的管理,直到前年70多岁的他才终于退休。

另一位图灵奖得主Hanrahan是生物物理学PhD出身,在最早进入Pixar时曾投入大量时间经历研究建模中材料和光线,使动画效果更逼真。用他自己的话来说“物理学家一般不研究头发和皮肤,以及它们的视觉效果;但我研究,而且曾经花了几年的时间思考怎样让光线看来更合理。”

在RenderMan的研发中Hanrahan担任首席架构,但仅仅在Pixar待了3年就离开转而投向了普林斯顿大学担任教职,5年后的89年他加入斯坦福大学继续研究计算机图形学,此后成为这一领域的奠基人。

教授今年教斯坦福CS3年级和1年级的课程

在斯坦福期间他创建了数据可视化应用Tableau,这家公司迅速成为了全球上千家各种类各规模企业的数据可视化解决方案,在去年被Salesforce花了157亿收购。

西雅图IT圈原创

仅有不到7%的公众号, 还在坚持原创

如果喜欢, 请分享我们的文章

每天加点料

被要求待在家办公

但十分想出门

投稿,转载,商业合作,请联系E-mail:

SeattleITquan@gmail.com

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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