- 博客(13)
- 收藏
- 关注
RSS订阅原创 不同标签和数据类型匹配的数据集在PyTorch的加载（超详细保姆级别教学）
本篇文章主要借鉴学习了b站视频教学添加链接描述，并加入了自己的笔记，同时也算是复习了python，对于一些脚本代码进行了注释，去掉脚本记号即可运行。第一种 标签在文件夹上的数据集加载直接上代码，笔记也在代码上有注释# 导入torch 包import torchimport torch.nn as nnfrom torchvision import transformsimport matplotlib.pyplot as pltimport osfrom torch.utils.data
2021-07-16 11:49:02
3203
1
原创 活体检测论文研读4——A SURVEY ON ANTI-SPOOFING METHODS FOR FACE RECOGNITION WITH RGB CAMERAS
介绍 Introduction文章首先介绍了 Face Recognition 的历史，然后梳理了攻击的类别：1.impersonation (spoofing) attacks2.obfuscation attacks具体情况可见下图上述部分称呼解释由下图可以看出本文贡献：1.基于现有的人脸PAD方法的类型学，我们提出了它们旨在检测的PAs类型和应用场景的一些特殊性。2.我们提供了超过50种最近的人脸PAD方法的全面回顾，这些方法只需要由嵌入在大多数GCD中的RGB相机捕获的（作为输入）图
2021-07-15 12:09:05
701
原创 活体检测论文研读3——Cross Modal Focal Loss for RGBD Face Anti-Spoofing
摘要近年来，人们提出了多通道的方法来提高PAD系统的鲁棒性。通常，附加通道的数据是可用的，这限制了这些方法的有效性。在这项工作中，我们提出了一个新的PAD框架，它使用RGB和深度通道以及一个新的损失函数。新的体系结构使用了来自这两种模式的互补信息，同时减少了过拟合的影响。从本质上讲，提出了一个跨模态的焦点损失函数来调制每个信道的损失贡献，作为单个信道置信度的函数。在两个公开的数据集上进行的广泛评估证明了所提方法的有效性。Introduction在这项工作中，我们从两个不同的方向来解决这个问题。首先，我
2021-07-13 20:47:29
688
原创 活体检测论文笔记2——Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing
本文创新点：设计了一种基于两种见解来检测来自多个框架的表示攻击的新方法：1)详细的鉴别线索（例如，空间梯度大小)可以通过叠加的普通卷积被丢弃；2）三维运动人脸的动力学为检测假人脸提供了重要的线索目前尚未被解决的问题：1.如何将局部细粒度信息聚合到卷积网络中的面部反欺骗任务还没有被探索2.多帧可以更充分地探索脸和欺骗脸之间的虚拟深度区分。解决方法：我们提出了一种新的具有剩余空间梯度块(RSGB)和时空传播模块(STPM)的深度监督时空网络。本文主要贡献：1.提出了一种新的深度监督架构，
2021-07-13 14:48:56
534
1
原创 PyTorch学习笔记8——计算机视觉（CV）
由于本人需要快速上手图像识别方面内容，所以未按照参考书中内容进行学习，直接跳到了计算机视觉部分。8.1 图像增广图像增广在对训练图像进行一系列的随机变化之后，生成相似但不同的训练样本，从而扩大了训练集的规模。 此外，应用图像增广的原因是，随机改变训练样本可以减少模型对某些属性的依赖，从而提高模型的泛化能力。 例如，我们可以以不同的方式裁剪图像，使感兴趣的对象出现在不同的位置，减少模型对于对象出现位置的依赖。 我们还可以调整亮度、颜色等因素来降低模型对颜色的敏感度。导入所用包import torch
2021-06-06 17:44:54
283
1
原创 PyTorch学习笔记7——优化与深度学习算法
7.1 梯度下降与随机梯度下降梯度下降也叫最陡下降（steepest descent）使用适当的学习率，沿着梯度反方向更新自变量可能降低目标函数值。梯度下降重复这一更新过程直到得到满足要求的解。学习率过大或过小都有问题，一个合适的学习率通常需要通过多次实验找到。当训练数据集样本较多时，梯度下降每次迭代的计算开销较大，因此随机梯度下降通常更多使用。7.1.1 小批量随机梯度下降小批量随机梯度下降每次随机均匀采样一个小批量的训练样本计算梯度。在实际中，随机梯度下降的学习率可以在迭代过程中自我衰减。
2021-06-06 16:33:54
124
原创 PyTorch学习笔记6——模型细节学习
在卷积神经网络中，参考书籍介绍了LeNet, AlexNet, VGG, NiN, GoogleNet, ResNet, DenseNet等网络6.1批量归一化6.1.1 批量归一化（batch mormalization）批量归一化应用于单个可选层（也可以应用到所有层），其原理如下：在每次训练迭代中，我们首先归一化输入，即通过减去其均值并除以其标准差，其中两者均基于当前小批量处理。 接下来，我们应用比例系数和比例偏移。 正是由于这个基于批量统计的标准化，才有了批量归一化的名称。使用批量归一化层的原
2021-06-06 16:05:00
153
原创 PyTorch学习笔记5——卷积神经网络
卷积神经网络是含有卷积层的神经网络。卷积核：可以学习的权重。PS:这里的卷积运算与数学及信号中的不同，神经网络的卷积运算是数学上的互相关运算。图像的平移不变性使我们可以以相同的方式处理局部图像。局部性意味着计算相应的隐藏表示只需一小部分局部图像像素。在图像处理中，卷积层通常比全连接层需要更少的参数。卷积神经网络（CNN）是一类特殊的神经网络，它可以包含多个卷积层。多个输入和输出通道使模型在每个空间位置可以获取图像的多方面特征。5.1 二维卷积层5.1.1 二维互相关运算输出大小等于输入
2021-06-06 00:45:56
224
原创 PyTorch学习笔记4—— 深度学习计算
4.1 模型构造在线性回归和softmax回归中已经陆续用到了这些方法，这里系统回顾。4.1.2 最简单的开始分析import torchfrom torch import nnfrom torch.nn import functional as Fnet = nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))X = torch.rand(2, 20)net(X)在这个例子中，我们通过实例化nn.Sequ.
2021-06-03 09:47:11
342
原创 PyTorch学习笔记3——SOFTMAX回归模型
上一节的线性回归模型适用于输出为连续值的情景。但是在另一类情景中，模型输出可以是一个离散值，比如图像类别，这方面我们可以使用softmax回归在内的分类模型。Softmax回归的输出单元由一个变成了多个，且引入softmax运算，使得输出更适合离散值预测与训练，通过学习softmax来介绍神经网络的分类模型。3.1 分类问题考虑一个简单的图像分类，其输入图像高和宽都是2像素，色彩为灰度（这样的像素由于是一个维度，可以用标量表示），分别把四个像素记为x1,x2,x3,x4。把标签狗、猫、鸡记为y1,y2
2021-06-01 20:09:51
1362
原创 PyTorch学习笔记2——线性回归
2.1 线性回归线性回归输出主要可以用于解决回归问题，比如预测房屋价格、气温、销售额等连续值问题；与回归问题不同的分类问题，分类问题的模型最终输出是一个离散值，比如图像分类，垃圾分类、疾病监测，softmax回归用于解决分类问题线性回归和softmax回归都是单层神经网络，我们首先学习线性回归2.1.1线性回归基本要素我们以一个简单的房屋价格预测做一个例子来解释线性回归的基本要素，假设房屋价格只取决于两个因素（实际肯定是许多因素，之后可以推广），即面积和房龄，我们希望探讨价格和这两个因素的关系2
2021-05-30 18:14:52
444
原创 PyTorch学习笔记1——数据操作
本学习笔记基于 Dive-into-DL-PytorchTensor是pytorch中所应用的一种数据结构，torch.Tensor是存储和变换数据的主要工具。1.1.1 创建Tensor创建Tensorimport torch #导入Pytorchx= torch.empty(5,3) #创建一个5*3的随机Tensorprint(x)输出：tensor([[1.0102e-38, 1.0561e-38, 1.0286e-38], [1.0653e-38, 1.0469e-38, 9.
2021-05-28 21:11:27
308
原创 C语言数据类型浅谈
本文主要分析int,float,double,char的表示原理和范围，以及与计算机系统位数等的关系一、 位(bit)、字节(byte)、字（word）最小的存储单元是位（bit），可以储存 0 或 1;字节（byte）是常用的计算机存储单位。对于几乎所有的机器，1 字节均为 8 位。这是字节的标准定义，至少在衡量存储单位时是这样（但是，C 语言对此有不同的定义）。既然1 位可以表示 0 或 1，那么 8 位字节就有 256（2 的 8 次方）种可能的 0、1 的组合。通过二进制编码(用 0 和 1
2021-04-04 15:39:43
1160
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人