2018年09月_Shawn0901

原创 Pytorch学习：加载batch数据

参考：https://pytorch.org/tutorials/beginner/data_loading_tutorial.html数据集：https://download.pytorch.org/tutorial/faces.zip数据集概况：该数据集包含了图像和landmarks两部分，其中图像数据包含69张人脸图像，对应的landmarks中给出了相应图像的特征点。landmar...

2018-09-26 22:24:31 6915

原创 pandas数据结构：DataFrame

DataFrame是一个表格型的数据结构，包含行索引和列索引。下面通过传入一个由等长列表组成的字典来建立一个简单的DataFrame:import pandas as pddata={'name':['Shawn','Jason','Cindy','Danny','Jack','Rosen','Mike'], 'English':[80,70,30,60,50,29,40],...

2018-09-18 14:54:58 281

原创 pandas数据结构：Series

Series是一个带有标签（索引）的一维数组，由一组数据可以创建一个简单的Series:import pandas as pdx=pd.Series([3,5,6,8])>>> print(x)0 31 52 63 8dtype: int64Series的数据格式是索引在左边，数值在右边。由于没有指定索引，所以在此自动生成了0到N-...

2018-09-18 10:41:59 438

原创 Pytorch学习：自定义nn模块——一种搭建复杂网络的途径

参考：https://pytorch.org/tutorials/beginner/pytorch_with_examples.html#id19有时候顺序化的模型并不能满足我们搭建复杂网络的需求，这时候就可以使用子类nn.Module来定义一个向前传播过程。下面的例子中通过自定义模块定义了一个两层的前向传播模型：# -*- coding: utf-8 -*-import torc...

2018-09-17 20:54:07 2991 1

原创 Python学习：super()

参考：https://www.jianshu.com/p/45619cf50aa7super()在Python中常用于类的继承，相比于直接调用继承，采用super()可以保证父类不被重复调用。对于简单的调用父类：class parent: def fun1(self,message): print(message)class child(parent): ...

2018-09-17 20:17:22 1231

计算图和autograd是定义复杂运算和自动求导的强大工具，但是在搭建大型的神经网络时，采用原生态的autograd会显得效率比较低下。在tensorflow中提供了诸如Keras, TensorFlow-Slim以及TFLearn等高层封装以便更有效地搭建神经网络，同样的，在Pytorch中提供了nn包来实现相同的目的。nn包中定义了一系列的module, 一个module对接收的张量进行计...

2018-09-17 16:27:53 742

原创 Pytorch学习：张量和自动求导——搭建一个简单的神经网络

参考pytorch官方文档：https://pytorch.org/tutorials/beginner/pytorch_with_examples.html#id17 （可能需要科学上网）当使用自动求导时(autograd)，网络的向前传播过程将会定义一个计算图，图中的结点由张量(tensor)构成，而运算过程将构成图的边(edge)。通过图的后向传播将会很容易实现对梯度的计算。如上所...

2018-09-17 12:20:34 1100

原创基于手绘草图的图像检索：Sketch Me That Shoe

摘要1.首次解决了基于手绘图进行细粒度图像实例检索(SBIR, sketch-based image retrieval)的问题。2.推出了两个新的细粒度SBIR数据集3.基于大量辅助的数据利用triplet ranking模型进行了阶段性的预训练4.对深度学习模型如何从增加的数据集中获得更好的提升进行了进一步的实验探索。数据集包含鞋和椅子两个数据集，共计716对草图-照片对。其...

2018-09-16 22:17:36 5540 2

原创手绘图像识别：Sketch-a-Net that Beats Humans

该工作针对手绘草图识别问题提出了一个多通道的深度神经网络框架，使得计算机对手绘草图的识别能力首次超过了人类。1. 针对手绘草图设计了专门的深度神经网络结构。2. 通过多通道的方式增加了对绘图过程中不同的绘制顺序的考虑。3. 利用贝叶斯融合的手段对多尺度的网络进行了融合，从而可以有效解决手绘草图不同程度的提取和稀疏问题。论文整体的框架如上图所示，其中深度神经网络结构如下：...

2018-09-15 21:23:04 4257

原创图像检索与三维重建：From Single Image Query to Detailed 3D reconstruction

先前基于图像检索的三维重建方式由于只关注尺度和外表相似的图像而往往会导致细节缺失问题，为解决该问题，本文结合了基于运动的重建(SfM, Structure-from-Motion)和多尺度场景下的图像检索进行三维重建。文中对重建系统和检索系统建立的连接，使得能够根据当前的3D重建情况控制检索特性。整体框架如上图所示，共分为以上几个步骤：1.图像查询阶段：利用查询图像作为初始种子进行...

2018-09-11 11:15:24 980

原创手绘图像检索：Deep Spatial-Semantic Attention for Fine-Grained Sketch-Based Image Retrieval

摘要文中提出了一种新的FG-SBIR(Fine-Grained Sketch-Based Image Retrieval)模型，虽然其本质上是一个常用的多分枝深度结构，不过相比于其它模型，其有以下特点：1）在每一个深度神经网络上都添加了注意力模块，因此使其对特征的学习可以更多的关注到显著性区域。2）通过对一个特征融合的方式将粗糙和细致的语义信息进行了融合。3）引入了一个基于高阶可学...

2018-09-05 15:57:23 3125 1

原创行人再识别：Joint Learning of Single-image and Cross-image Representations for Person Re-identification

摘要行人再识别问题一般有两种解决思路，一种是对单张图像的特征进行匹配(SIR, single-image represention)，另一种是对交叉图像特征进行二分类处理(CIR,cross-image representation)。在本文中，我们对两种方式之间的联系进行了探索，并借助CNN提出了一种联合两种方式的学习框架。对于上述的两种方式，第一种是通过比较两张图像特征之间的距离与阈值...

2018-09-04 19:26:05 1238

Shawn