![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
神经网络
只会写bug的菜鸡
这个作者很懒,什么都没留下…
展开
-
Expression Flow for 3D-Aware Face Component Transfer论文阅读笔记
论文标题:Expression Flow for 3D-Aware Face Component Transfer摘要:用于3D感知的面部组件传输的表达流程图1:将建议的表达流程应用于人脸成分转移的示例。 (a)和(b)是输入图像,用户想要用(b)中的张开嘴代替(a)中的闭合嘴。 (C)系统产生的表情流,使(a)中的整个脸部变形以适应新的嘴形。顶部:水平流场,底部:垂直流场。 (d)我们的系统生成的最终复合材料。(e)使用2D对齐和混合生成的合成。注意嘴和下巴之间不自然的短距离。摘要:我们解原创 2020-12-01 20:09:38 · 379 阅读 · 0 评论 -
2018FSNet: An Identity-Aware Generative Model for Image-based Face Swapping论文阅读笔记
论文原文及地址:FSNet: An Identity-Aware Generative Model for Image-based Face Swapping摘要:本文提出了基于图像的人脸交换的深层生成模型FSNet。 传统上,人脸交换方法是基于三维变形模型(3DMMS),在不同的两幅图像中,在估计的三维(3D)几何图形之间替换面部纹理。 然而,使用3DMMS估计三维几何形状以及不同的照明条件仍然是一项困难的任务。 本文用一个潜在变量表示人脸区域,将该变量被分配深度神经网络(DNN),而不是面部纹理原创 2020-10-27 18:05:50 · 3671 阅读 · 1 评论 -
On the Generality of Facial Forgery Detection论文原文翻译以及阅读笔记
论文题目及原文地址:On the Generality of Facial Forgery Detection2019IEEE第16届移动特设和传感器系统研讨会国际会议摘要:摘要-针对面部伪造检测的任务,设计或重新设计了多种结构。 虽然其中许多设计都取得了巨大成功,但它们在很大程度上未能应对这些模型在实践中可能面临的挑战。 一个主要的挑战是通用性,其中模型必须准备在各种领域执行。 在本文中,我们研究了最先进的面部伪造检测体系结构的推广能力。 我们首先提出了两个通用性标准:可靠地检测多个欺骗技术和可原创 2020-10-22 15:09:30 · 392 阅读 · 2 评论 -
Deep Residual Learning for Image Recognition (ResNet)残差网络
论文题目及原文:Deep Residual Learning for Image Recognition (ResNet)参考译文:https://www.jianshu.com/p/f71ba99157c7转载 2020-10-21 20:17:09 · 91 阅读 · 0 评论 -
AlexNet论文阅读【ImageNet Classification with Deep Conventional Neural Networks】
论文题目和原文地址:ImageNet Classification with Deep Conventional Neural Networks卷积在三通道上的操作一般来说有几个卷积核,最终得到的featuremap就有几个。三通道的图片对应的卷积核也是三通道的,三个通道分别卷积之后对应位置相加填在featuremap中。比如上图中最右边的3就是通过三个通道卷积之后得到的。池化也叫做下采样,pooling。有平均池化和最大值池化,可以减少featuremap的尺寸,减少计算量,避免过拟合,引入平移原创 2020-10-21 17:33:38 · 215 阅读 · 0 评论 -
神经网络科普
网络设计全连接层主要关注右下角几个点激活层激活函数如何训练(依靠反向传播)优化器选择激活函数、损失函数、优化函数的区别卷积层池化层常见解决问题实现GNN红框部分MAX V(D,G)表示固定G(生成器),使D(判别器)最大化,尽量将真实数据和生成数据分开。min表示,固定判别器,通过调整生成器,使生成器尽可能小,训练过程:第一步训练辨别器D第二步固定判别器D,训练生成器G源码地址:https://github.com/jacobgil/原创 2020-09-14 15:02:35 · 219 阅读 · 0 评论 -
tensorflow入门实战MNIST
这是github上面的一个开源项目,刚开始运行出错,我自己改了几句代码之后,亲测可运行。使用方法:先运行input_data,然后再运行code1,code2。code1import tensorflow as tfimport numpy as npimport input_dataimport matplotlib.pyplot as plt# 启用动态图机制tf.enable_eager_execution()#调用input_data.py中的read_data_sets函数.转载 2020-07-24 11:37:46 · 303 阅读 · 0 评论