cumtchw

目录1.人脸检测2 人脸对齐3 人脸识别3.1 特征提取3.2 人脸比对要想做人脸识别，首先需要检测出人脸子图和关键点，然后根据关键点对人脸进行对齐，然后对对齐后的人脸提取人脸特征并特征值比对，下面简单介绍下三个过程中的原理。1.人脸检测人脸检测就没什么说的了，就是检测出图像中的人脸和关键点，比如我们用yolov5-face做检测得到如下图片，也可以使用 blazeface得到如下结果当然也可以使用其他方法，但是这些方法的目的都是得到人脸子图和关键点。2

tensorRT推理yolov5.trt模型崩溃

编写python脚本下载PubFig人脸公开数据集，每个人的人脸放到一个以人名命名的单独文件夹中，并且根据坐标裁剪人脸子图，最终得到原始图片和人脸子图图片。import osimport sysimport urllib.request as requestfrom urllib.request import urlretrieveimport socketimport requests'''下载Pubfig人脸数据集，下载下来之后根据坐标裁剪人脸，并且每个人的人脸图片放到单独的一.

GitHub - spacewalk01/tensorrt-openpose: TensorRT C++ Implementation of openpose

利用facenet-pytorch实现人脸检测，并提取人脸特征求余弦相似度，代码如下from facenet_pytorch import MTCNN, InceptionResnetV1from sklearn.metrics.pairwise import cosine_similarityfrom PIL import Imageimport numpy as np# If required, create a face detection pipeline using MTCNN:

人脸识别一般需要经过人脸检测，人脸对齐，特征提取及相似度比对，具体原理可以见：人脸检测-人脸对齐-人脸识别原理及方法_陈 洪 伟的博客-CSDN博客该篇文章主要对人脸对齐进行补充，1 人脸检测我们用ldh的图片进行检测，得到人脸框和5个关键点。检测得到的矩形框和关键点如下：orgimg.shape: (640, 640, 3)x1:243.000000,y1:140.000000,x2:447.000000,y2:394.000000point_0_x:307.000..

文章：人脸检测-人脸对齐-人脸识别原理及方法_陈 洪 伟的博客-CSDN博客入选了人工智能内容榜单第一名

目录1.模型下载2 转成rknn模型并推理3 查看网络模型1.模型下载首先下载MobileFaceNet的模型，github下载地址为：https://github.com/sirius-ai/MobileFaceNet_TF/tree/master/arch/pretrained_model/2 转成rknn模型并推理import numpy as npimport cv2from rknn.api import RKNNif __name__ == '__..

1.模型下载首先需要下载facenet的模型，github下载网址为：https://github.com/davidsandberg/facenetPre-trained modelsModel name LFW accuracy Training dataset Architecture 20180408-102900 0.9905 CASIA-WebFace Inception ResNet v1 20180402-114759 0.996

1.搭建insightface环境为了避免和服务器中的其他python版本冲突，这里使用conda创建环境，安装insightface的过程中会安装相关依赖，等待系统安装完成即可。conda create -n insightface_chw python=3.6conda activate insightface_chwpip install -U insightface2.下载insightface工程git clone https://github.com/deepinsigh

def ajust(xmin,ymin,xmax,ymax,h,w): if xmin<0: xmin=0 if ymin<0: ymin=0 if xmin>xmax: temp=xmin xmin=xmax xmax=temp if ymin>ymax: temp=ymin ymin=ymax ymax=temp .

https://www.cxyzjd.com/article/sinat_28371057/118252701开放数据集-百度AI Studio - 人工智能学习与实训社区

1.空洞卷积概念Dilated/Atrous Convolution(中文叫做空洞卷积或者膨胀卷积) 或者是 Convolution with holes 从字面上就很好理解，是在标准的 convolution map 里注入空洞，以此来增加 reception field。相比原来的正常convolution，dilated convolution 多了一个 hyper-parameter 称之为 dilation rate 指的是kernel的间隔数量(e.g. 正常的 convolution 是

sudo apt-get install python-qt4 pyqt4-dev-tools #python2sudo pip install labelme #python2sudo apt-get install python3-qt4 pyqt4-dev-tools #python3sudo pip3 install labelme #python3

https://www.robots.ox.ac.uk/~vgg/software/via/via_demo.html

1.搭建环境为了防止和服务器上的环境冲突，这里利用conda搭建环境。Install PyTorch=0.4.1 following theofficial instructions git clonehttps://github.com/HRNet/HRNet-Image-Classification Install dependencies: pip install -r requirements.txt...

在深度学习中，语义信息可以通俗的理解成是图像的纹理，颜色，或者目标的类别等信息，例如在检测网络中，一个图像输入到网络中，经过一层层的卷积之后，语义信息会越来越明显，但是相对的位置信息会越来越弱，因为越到高层卷积的时候，feature map映射到原图中的感受野越大，这样对局部的位置信息感受就比较差。...

参考文献：https://blog.csdn.net/v_JULY_v/article/details/80170182?utm_medium=distribute.pc_relevant.none-task-blog-2~default~BlogCommendFromMachineLearnPai2~default-2.control&dist_request_id=1331647.128.16183075360181787&a...

参考文献：https://www.jianshu.com/p/29604b12f776

PanopticFCNpanopticFCNhttps://zhuanlan.zhihu.com/p/46372942

1.数据准备

1.首先安装YOLOv5需要的环境为了不和服务器上其他的环境冲突，这里使用conda创建yolov5需要的环境，conda create -n yolov5 python=3.8conda activate 然后下载yolov5工程git clone https://github.com/ultralytics/yolov5 # clone repocd yolov5pip install -r requirements.txt # install dependencies

1 残差连接想必做深度学习的都知道skip connect，也就是残差连接，那什么是skip connect呢？如下图上面是来自于resnet【1】的skip block的示意图。我们可以使用一个非线性变化函数来描述一个网络的输入输出，即输入为X，输出为F(x)，F通常包括了卷积，激活等操作。当我们强行将一个输入添加到函数的输出的时候，虽然我们仍然可以用G(x)来描述输入输出的关系，但是这个G(x)却可以明确的拆分为F(x)和X的线性叠加。这就是skip connect的思想，将输出表述

Batch Normalization是为了解决在训练过程中，中间层数据分布发生改变的情况。BN层是放在卷积后面，激活前面。因为卷积之后数值变化大，所以在卷积之后加一个BN归一化。BN层的作用，做了归一化，避免梯度爆炸，...

我们在评价一个模型好坏的时候，经常会用到mAP,下面整理下对这个概念的理解，1.TP TN FP FN首先是TP TN FP FN的概念。T或者N代表的是该样本是否被分类分对，P或者N代表的是该样本被分为什么TP（True Positives）：意思我们倒着来翻译就是“被分为正样本，并且分对了”，TN（True Negatives）：意思是“被分为负样本，而且分对了”，FP（False Positives）：意思是“被分为正样本，但是分错了”，FN（False Negativ

计算mAP的代码备份import globimport jsonimport osimport shutilimport operatorimport sysimport argparseimport mathimport numpy as npMINOVERLAP = 0.5 # default value (defined in the PASCAL VOC2012 challenge)parser = argparse.ArgumentParser()parser.add_

NMS: non maximum suppression，通俗的说，就是在检测算法中，对于同一个目标可能会产生很多个框，我们用NMS去掉不是最大值的框，保留最优框。例如上图，左边肉丝的脸有三个框，我们取得分最大的0.98的框，然后把剩余的框跟这个框计算IOU，如果IOU大于某个阈值，表示重合度比较高，则去掉，这样最终保留最优框，其实这就是nms。...

IoU 作为目标检测算法性能 mAP 计算的一个非常重要的函数。但纵观 IoU 计算的介绍知识，都是直接给出代码，给出计算方法，没有人彻底地分析过其中的逻辑，故本人书写该篇博客来介绍下其中的逻辑。1. IoU的简介及原理解析IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。开始计算之前，我们首先进行分析下交集和并集到底应该怎么计算：我们首先需

1.softmax初探在机器学习尤其是深度学习中，softmax是个非常常用而且比较重要的函数，尤其在多分类的场景中使用广泛。他把一些输入映射为0-1之间的实数，并且归一化保证和为1，因此多分类的概率之和也刚好为1。首先我们简单来看看softmax是什么意思。顾名思义，softmax由两个单词组成，其中一个是max。对于max我们都很熟悉，比如有两个变量a,b。如果a>b，则max为a，反之为b。用伪码简单描述一下就是if a > b return a; else b。另外一个单词为s.

高斯函数广泛应用于统计学领域，用于表述正态分布，在信号处理领域，用于定义高斯滤波器，在图像处理领域，二维高斯核函数常用于高斯模糊，在数学领域，主要用于解决热力方程和扩散方程。1、高斯函数与正态分布1.1 一维高斯函数a表示得到曲线的高度； b(μ)是指曲线在x轴的中心； c(σ)指width(与半峰全宽有关)；图形如下：1.2 正态分布高斯函数其实是一族函数，而满足正态分布的高斯函数如下所示:1.3 二维高斯函数（高斯分布、正态分布）μ=0，即中心点就是原

1：最小二乘法https://blog.csdn.net/qq_41598072/article/details/83984299这篇博客很好，通俗易懂。最小二乘法是用来做函数拟合或者求函数极值的方法求出两个参数，使得https://www.cnblogs.com/pinard/p/5976811.html 这一篇博客也不错。...

一：反向传播目标：给出输入数据i1,i2(0.05和0.10)，使输出尽可能与原始输出o1,o2(0.01和0.99)接近。二：梯度下降三：学习率

https://zhuanlan.zhihu.com/p/299022083?utm_source=wechat_session&utm_medium=social&utm_oi=70656607649792

https://ethereon.github.io/netscope/#/editor

https://www.cnblogs.com/xuanyuyt/p/7222867.html#_label4

原文网址 https://blog.csdn.net/v_JULY_v/article/details/51812459神经元：卷积神经网络之层级结构：CONV：卷积计算层，线性乘积求和，RELU:激活层，也就是激活函数POOL:池化层，简言之，就是取区域平均或最大。FC：全连接层CNN之卷积计算层：当我们给定一个X的图案，计算机为了识别出来这个图案就是X...

针对不同大小的目标检测，传统的做法是先将图像转换成不同大小，然后分别检测，最后将结果综合起来，而SSD算法则利用不同卷积层的feature map进行综合也能达到同样的效果。对于不同的卷积层，会把图像分割成不一样的feature map，对于每一个feature map cell都有一系列default box，假设每个feature map cell有k个def...

import os,cv2,shutilimport numpy as npimport random#对比度和亮度def Contrast_and_Brightness(alpha, beta, img): blank = np.zeros(img.shape, img.dtype) # dst = alpha * img + beta * blank...

课时一：深度学习框架简介Google：tenflowfacebook:caffe potorch课时二：pytorch功能演示课时三：开发环境准备安装完毕课时四：简单回归问题课时五：简单回归问题2课时6：回归问题实战 未开始...

见自己的博客日记