乐乐lelele的博客

。

自监督学习(Self-supervised learning)是这两年比较热门的一个研究领域，它旨在对于无标签数据，通过设计辅助任务（Proxy tasks）来挖掘数据自身的表征特性作为监督信息，来提升模型的特征提取能力

前言：在实验室做算法研究时，我们最看重的一般是模型精度，因为精度是我们模型有效性的最直接证明。而在公司做研发时，除了算法精度，我们还很关注模型的大小和内存占用。因为实验室模型一般运行在服务器上，很少有运算资源不足的情况，但是公司研发的算法功能最终都是要部署到实际的产品上的，像手机或者小型计算平台，其运算资源是很有限的。所以算法工程师在公司做预研时，算法建模一般都分两部分：先根据需求建模，并尽可能提高模型精度；然后进行模型压缩，在保证算法精度的情况下尽可能减少其参数量。常用的模型压缩方法： 知识蒸馏、权重

本文将介绍一篇基于图模型的多人姿态估计方法，作者来自香港大学、商汤科技、南京大学和悉尼大学。论文链接： https://arxiv.org/abs/2007.11864v1代码链接： 尚未公开主要思想：现有的多人姿态估计模型一般分为一般分为两大类：top-down和bottom-up方法。Top-down的模型先对输入的图像进行目标检测，检测出图像中每个人的bounding box之后，通过单人姿态估计模型对每个人的姿态进行检测。而bottom-up的方法则是先通过关键点检测模型检测出图像中所有人

本文将介绍一种基于特征分离的无监督姿态特征学习模型，作者来自香港中文大学论文链接：https://arxiv.org/abs/2007.07053代码链接：https://github.com/NIEQiang001/unsupervised-human-pose主要思想：图1 本文提出的模型结构【参考文献】：[1] 迁移性好、多用途，港中文提出特征分离的无监督人类三维姿态表征...

【论文阅读】 Deep High-Resolution Representation Learning for Human Pose Estimation_CVPR2019作者来自中科大和微软亚洲研究院论文链接：Deep High-Resolution Representation Learning for Human Pose Estimation_CVPR2019代码链接：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch

深度网络时常会将数据集中的图像打包“.npy”格式来处理，有时候为了输出也会是该格式，所以我们需要将其读入并转化为图像格式。“.npy”文件是将数据集中的若干图像某一维度上叠加而来，我们可据此读取原图，python代码如下：#by hanlestudy@163.comimport numpy as npimport scipy.miscimgs_test = np.load('./pat...

问题描述：运行代码（基于Keras）的时候编译器报错，如下TypeError: __init__() got multiple values for argument 'axis'找到问题代码，是keras.layers.Concatenate函数使用出错：merge6 = Concatenate([drop4, up6]，axis=3)解决办法：将上述代码修改为如下形式：mer...

问题描述：跑U-Net模型代码（基于Keras）的时候，遇到了如下问题：Traceback (most recent call last): File "/home/user7/myproject/Codes/unet.py", line 107, in <module> myunet.train() File "/home/user7/myproject/Code...

之前在服务器上跑深度学习代码时，一直用的虚拟环境（），安装很多包的时候需要管理员权限。虚拟环境安装教程推荐：https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001432712108300322c61f256c74803b43bfd65c6f8d0d0000最近重新配置了ana...

跑模型代码（基于Keras）的时候，系统提示如下警告：UserWarning: Update your `Model` call to the Keras 2 API: `Model(outputs=Tensor("co..., inputs=Tensor("in...)`修改办法：model中的input和output后面加s。即：将model = Model(input = inp...

视觉注意力是人类视觉信息处理过程中一项重要的调节机制，在视觉注意力的引导下，人类能够从众多的视觉信息中快速地选择那些最重要、最有用、与当前行为最相关的感兴趣的视觉信息。当人类观赏一幅画时，虽然我们可以看到整幅画的全貌，但是在我们深入仔细地观察时，其实眼睛仅聚焦在很小的一块区域，这个时候人的大脑主要关注在这一小块图案上，因此人脑对整幅图的关注并不是均衡的，具有一定的权重区分。而注意力模型（Attention model）就是对人脑的注意力模型进行模拟，旨在从众多信息中选择出对当前任务更关键的信息。考虑到人

前言：CVPR2018会议论文集已经公示（CVPR2018全部论文集链接），本文对显著性目标检测领域的6篇进行了整理，将这几篇论文的主体思想汇总起来，供大家一起学习。一、论文列表：1.《Flow Guided Recurrent Neural Encoder for Video Salient Object Detection》； 2.《A Bi-Directional Message ...

显著性目标检测模型评价指标 之 平均绝对误差(MAE)原理与实现代码目录显著性目标检测模型评价指标 之 平均绝对误差(MAE)原理与实现代码目录一、显著性目标检测简介显著性目标(Salient Object)：显著性目标检测(Salient Object Detection)：评价指标(Evaluation Metrics)：二、Mean Absolute Erro...

显著性目标检测模型评价指标 之 PR曲线原理与实现代码目录显著性目标检测模型评价指标 之 PR曲线原理与实现代码目录一、PR曲线原理计算方法阈值选取二、Matlab代码著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。参考文献一、PR曲线原理在显著目标提取中（关于视觉显著性的简要介绍点此处链接），PR曲线是用来评...

显著性目标检测模型评价指标 之 F-measure原理与实现代码目录显著性目标检测模型评价指标 之 F-measure原理与实现代码目录一、F-measure原理三、 Matlab代码著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。参考文献一、F-measure原理上篇博客中，我们介绍了PR曲线，但是很多情况下，不管是查准率...

Windows（64位）安装tensorflow对于刚开始入门tensorflow的人，如果没有服务器资源，又不想在电脑上安装双系统，那么可以考虑一下直接在windows上安装tensorflow。但是，由于深度学习的特殊性，要在自己电脑上训练应该稍微复杂点的网络，时间与运算代价实在是太大了，windows上只是建议跑一下tensorflow社区的教学内容，学习入门。 半年前在电脑上安装过t...

前言深度神经网络中，最主要的结构就是逐层交替出现的卷基层和pooling层（池化层），卷积层主要用来提取特征，而pooling层主要用来对卷积的结果进行降维，其实也就相当于对图像进行下采样。 卷积神经网络中，按照下采样的方法，pooling操作可以分为Max-pooling（基于最大值池化）、Average-pooling（均值池化）和Stochastic-pooling（随机池化）。在te...