2017年12月_TensorSense

12月 11月 09月 08月 07月 06月 05月 04月 01月

原创轻量化网络：ShuffleNet

《ShuffleNet： An Extremely Efficient Convolutional Neural Network for Mobile Devices 》来自face++，发表于CVPR-2017, 其主要采用两个“新”操作对卷积神经网络结构进行修改，达到提高计算效率的目的。github： https://github.com/farmingyard/ShuffleNet创新点：

2017-12-28 08:53:39 1687

SqueezeNet 发表于ICLR-2017，作者分别来自Berkeley和Stanford，SqueezeNet不是模型压缩技术，而是 “design strategies for CNN architectures with few parameters”创新点: 1. 采用不同于传统的卷积方式( 类似于inception思想) ，提出fire module；fire module包含...

2017-12-27 09:45:41 20459 7

原创模型加速：WAE-Learning a Wavelet-like Auto-Encoder to Accelerate Deep Neural Networks

WAE(Wavelet-like Auto-Encoder) 是由来自中大、哈工大、桂电等多机构的多名研究人员合作提出的，发表于AAAI-2018(论文地址： https://arxiv.org/pdf/1712.07493.pdfgithub创新点： 1. WAE借助小波分解得思想，将原图分解成两个低分辨率图像，以达到网络加速的目。（PS：整体思路：下采样的方法达到网络加速，但

2017-12-26 11:38:34 2341 3

原创深度学习人脸关键点检测方法----综述

参考资料一、引言二、检测方法总结近期对人脸关键点相关方法进行了研究，在深度学习大行其道的背景之下，此博客对近期人脸关键点检测深度学习方法进行了记录和总结，希望给广大朋友一点点启发，也希望大家指出我阅读过程中的错误~主要有如下模型： 2.1 ASM (Active Shape Models) 2.2 AAM（Active Appearance Models）...

2017-12-25 10:55:50 57634 11

原创轻量化网络：Xception

Xception: Deep Learning with Depthwise Separable Convolutions 是2017年 google的文章Xception不是模型压缩技术，而是 “design strategies for CNN architectures with few parameters”Xception 是对Inception v3的改进，是一种 Extrem...

2017-12-25 09:38:10 8845 2

原创轻量化网络：MobileNets

MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications（MobileNets paper）是CVPR-2017一篇paper，作者均来之Google，其提出一种“新”的卷积方式来设计网络，主要针对移动端设备所设计，因此，得名MobileNets 注：MobileNets不是模型压缩技...

2017-12-20 10:25:55 12371 8

原创模型压缩：Networks Slimming-Learning Efficient Convolutional Networks through Network Slimming

Network Slimming-Learning Efficient Convolutional Networks through Network Slimming（Paper） 2017年ICCV的一篇paper，思路清晰，骨骼清奇~~创新点： 1. 利用batch normalization中的缩放因子γ 作为重要性因子，即γ越小，所对应的channel不太重要，就可以裁剪（pru

2017-12-13 09:41:44 14703 10

原创人脸关键点：MTCNN-Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks

创新点： 1. 首次将级联和多任务结合起来，之前有单纯级联的DCNN，单纯多任务的TCDCN 2. 提出 a new online hard sample mining strategy，没接触过hard sample mining ，知道的同学介绍介绍呗~2016年，Zhang等人提出一种多任务级联卷积神经网络（MTCNN, Multi-task Cascaded Convolutional

2017-12-12 16:19:58 2132

原创人脸关键点：DAN-Deep Alignment Network: A convolutional neural network for robust face alignment

DAN-Deep Alignment Network，发表于CVPR-2017。很纳闷DAN取名中的D，为什么是deep，如果是深度学习的deep，岂不是很无区分性？有知道的朋友请告诉我这个D是什么意思~ DAN从名字上看不出来这个网络的创新点在哪里。创新点： 1.与以往的级联模型不同，网络模型输入是整张人脸图，可获取更多信息。 2.谁不想用更多的信息呢？还不是因为有问题，但是DAN怎

2017-12-07 09:27:49 11114

原创人脸关键点：TCNN-Tweaked Convolutional Neural Networks

TCNN，全名Tweaked Convolutional Neural Networks，其中，Tweaking implies fine-tuning the final layers for particular head pose创新点：1.对CNN提取的特征进行聚类，将各簇对应的样本进行分析，最后发现同一簇表现出“相同属性”（姿态，微笑，性别）的人脸。对此，设计了K个FC5和K个FC6层

2017-12-07 09:05:48 4337 3

原创人脸关键点：TCDCN-Facial Landmark Detection by Deep Multi-task Learning

《Facial Landmark Detection by Deep Multi-task Learning》发表于ECCV-2014，作者来自香港中文大学汤晓鸥团队的Zhanpeng Zhang等人。创新点： 1.将MTL（多任务学习）结合CNN应用到人脸关键点检测 2.为解决各任务有着不同收敛速度而导致的优化难问题，提出针对多任务学习的early stopping。Zhang等人将MTL（M

2017-12-06 09:02:25 9545 1

原创人脸关键点: DCNN-Deep Convolutional Network Cascade for Facial Point Detection

近期学习关键点检测相关内容，基于CNN的方法已经替代以往经典的方法（ASM,AAM等），于是乎得看看CNN是如何应用到关键点检测上的。2013年，Sun等人首次将CNN应用到人脸关键点检测，并且取得较好的结果(BioID、LFPW数据集上)，今天就来看看Sun等人提出的Deep Convolutional Network Cascade，到底是如何应用到人脸关键点检测的。Abstract作者提出一种

2017-12-04 15:03:37 5799 1

SVM可视化分类平面、支持向量、bad case

三维二分类任务，SVM可视化源代码以及数据文件。对SVM分类平面，支持向量，bad case进行可视化分析。

2018-07-22

caffe多标签-image_data_layer

修改caffe源码，使image_data_layer支持多标签输入，主要用于回归任务

2018-02-01

caffe多标签源码_image_data_layer