weixin_42418315的博客

原创 记录tensorflow-gpu torch torchvision和cuda cudnn的对应关系

原创 HifiFace: 3D形状和语义先验引导高保真人脸交换阅读笔记

可以很好地保留源人脸的脸型，并产生逼真的结果。不同于现有的人脸交换只使用人脸识别模型来保持身份相似性的方法，我们提出了3D形状感知身份，利用3DMM的几何监督和3D人脸重建方法来控制人脸形状。同时，引入语义面部融合模块，优化编码器和解码器特征的组合，进行自适应混合，使结果更加逼真。为了生成高保真的人脸交换结果，需要解决以下几个关键问题:(1)结果人脸的身份特征(包括脸型)应接近源人脸。(2)结果应具有真实感，忠实于目标面部的表情和姿态，并与目标图像的光照、背景、遮挡等细节保持一致。

原创 MSSSIM

大家可以根据这个进行适当修改。

原创 趣味Python画个画

【代码】趣味Python画个画。

原创 学习Python思维导图

2、Python的基础语法。3、Python的数据容器。5、Python的循环语句。6、Python的判断语句。4、Python的函数。1、初识Python。

原创 基于LSTM的气候变化预测源码

【代码】基于LSTM的气候变化预测源码。

原创 Python与科学计算课程设计报告———基于LSTM的气候变化预测

数据集包含了2013年1月1日-2017年12月31日，来自北京、上海、重庆的共58个站点按天记录的逐日天气观测数据，共包含102655条数据。

原创 matplotlib库学习实验报告

绘制第一个图为以区间（0,π/2）为x轴，sindata为y轴的曲线图，颜色为红色，宽度为2，x轴的标签为x，y的标签为y,子图标题为sin(x),绘制第一个图为以区间（0,π/2）为x轴，cosdata为y轴的曲线图，颜色为蓝色，宽度为2，x轴的标签为x，y的标签为y,子图标题为cos(x)，将绘制完成的子图进行展示并保存。如图，饼图由有一个个扇形组成，每个扇形的标签分别为1,2,3,4,对应的比例为10.0%，20.0%，30.0%，40%，每部分用不同的颜色表示，并注明图例，图标题为“饼图”；

原创 numpy库学习实验报告

运行实验代码后，依次得出结果，包括收盘价的平均价格，成交量加权的平均价格，最高价中的最大值，最高价的最小值，最高价的极值，最低价的极值，收盘价的中位数、方差。loadtxt：数据的获取。构造CSV数据，将数据保存在本地data文件夹中，命名为stock_data.csv，上图可看到数据集的具体内容，其中本文用到的数据为第5-8列，分别对应股票的最高价，最低价，收盘价，成交量。构造数据案例（也可自行设计）：其中，第4-8列，即EXCEL表格中的D-H列，分别为股票的开盘价，最高价，最低价，收盘价，成交量。

原创 pandas库学习实验报告

首先是对于思路的分析，明确目标，需要使用的数据，对数据进行预处理，需要使用的到的函数，了解函数对应的参数，其次，在完成实验要求的基础上，保证代码简洁，适当添加注释进行说明，然后对于Python库的学习不能停留在简单的掌握，课下还需进行深入的自主学习，最后一点，就是多练习多敲代码，只有真正的将学到的知识，应用到实际中，完成数据分析，才能真正掌握。如上图，黄牌数的平均值为7，红牌数的平均值为0，进球数超过6的队伍有两支Germany和Spain，进球数分别为10和12。问题：对函数的应用不熟练；

原创 sklearn库学习实验报告

完成实验时，首先是对于思路的分析，明确目标，需要使用的数据，对数据进行预处理，需要使用的到的函数，了解函数对应的参数，其次，在完成实验要求的基础上，保证代码简洁，适当添加注释进行说明，然后对于Python库的学习不能停留在简单的掌握，课下还需进行深入的自主学习，除了本次实验完成的算法之外，还应对其他算法进行实现，确保在明白算法原理的基础之上，还可以真正对数据进行分析，最后一点，就是多练习多敲代码，只有真正的将学到的知识，应用到实际中，才能真正掌握。最后一个属性一般作为类别属性，其余属性为数值，单位为厘米。

原创 c语言知识（11）

回调函数 通过函数指针调用的函数 ，将函数的指针（地址）作为参数传递给另一个函数，当这个指针被用来调用其所指向函数时，我们说这就是回调函数，回调函数不是由该函数的实现方直接调用，而是在特定的事件或条件发生时由另外一方调用的，用于对事件或条件进行响应。解析：指针数组a，存放每个字符串首元素地址，每个数组元素的类型是char*,pa是指向指针数组首元素地址的指针，类型是char**,pa++，跳过一个char*类型的，指向指针数组第二个元素的地址，也就是a的地址，打印字符串at。

原创 C语言知识（10）

strtok函数找到str中的下一个标记，并将其用\0结尾，返回一个指向这个标记的指针 ，第二次指向\0的指针（会改变被操作的字符串，所以切分的字符串一般都是临时拷贝的内容并且可修改 ）：当实参传给形参的时候，形参实际上实参的临时拷贝，函数的形参和实参分别占着不同内存块，对形参的修改不会影响实参（不对数进行操作，找出最大数）()拷贝n个字符从源字符串到目标空间，如果源字符串的长度小于num，则拷贝完字符串后，在目标的后面追加0，直至num个。

原创 C语言知识（9）

例如:在32位机器上，32根地址线，32根数据线，一次读取四个字节，若未对齐第一次读取char 1字节+int 3字节，第二次读取int的剩余一字节，若对齐，第一次读取char 1字节+3空字节，第二次读取int4字节，int字节一次读取，也就是结构体的内存对齐是拿空间来换取时间的做法。如果传递一个结构体对象的时候，结构体过大，参数压栈的系统开销较大，所以会导致性能的下降。4、如果嵌套了结构体，嵌套的结构体对齐到自己的最大对齐数的整数倍，结构体整体大小就是所有最大对齐数的整数倍。//指针为4/8字节。

原创 C语言知识（8）

表达式中的字符和短整型在使用之前被转换为普通整型，这种转换被称为整型提升，有符号数，高位补符号位，无符号数，高位补0，CPU内整型运算器的操作数的字节长度一般就是int的字节长度，也是CPU的通用寄存器的长度。//n=n&(n-1) 让最右边的1消失 执行一次去掉一个1 执行几次就是几个1。某个操作符的各个操作数属于不同类型，其中一个操作数要转换为另一个操作数的类型。注：数组传参，传的是首元素的地址，指针接收地址，指针大小4/8。采用算术右移，丢弃1，补上1，不变，其右移后仍是-1。

原创 C语言知识（7）

1、sizeof(数组名)，计算整个数组的大小，sizeof内部单独放一个数组名，数组名表示整个数组。可以将二维数组想象成连续的一维数组，或者i个一维数组的数组，每个一维数组中含j个元素。函数内不能求数组参数大小 4/4=1，所以在函数外求好后，将大小作为参数传入函数中。数组的大小可以通过计算得到：sizeof(arr)/sizeof(arr[0])对数组进行传参，传递的是数组首元素的地址&arr[0] 地址的大小为4/8。2、&数组名，取出的是数组的地址。数组在内存中是连续存放的，相差元素的类型大小。

原创 C语言知识（6）

【代码】C语言知识（6）

原创 C语言知识（5）

17、汽水问题 一瓶汽水一元，两个空瓶换一个汽水，问能喝几瓶。23、杨氏矩阵 每一行从左到右依次增加，每一列从左到右依次增加。19、水仙花（自幂数） n位数，每位数的n次方之和等于这个数。找右上角 一行里面最大的，一列里面最小的 //找左下角。14、输入一个非负整数，返回组成它的数字之和。22、判断字符串是否为左旋之后的字符串。11、打印1000-2000年的闰年。12、打印100-200之间的素数。一行里面最小的，一列里面最大的。9、输出1-100之间的奇数。2、求两个数的较大值。

原创 C语言知识（4）

continue用来终止本次循环，后面的代码不会再执行，直接跳转到while语句的判断部分，进行下一次循环的入口判断。建议循环控制变量的取值采用“前闭后开”写法，10次循环 10次打印 10个元素。i=0时，j=0循环十次后，j=10 循环内不进行初始化，j=10时不进入循环。for循环的初始化、调整、判断都可以省略，但是判断部分省略则表示恒为正。continue不执行之后的语句，i=5，一直循环程序不能结束。循环0次 将0赋值给k 表示假，不进入循环。连续输出1~10，先打印i，再+1。

原创 C语言知识（3）

方法一和方法二完成同样的功能，方法一好处：1、方便内存释放，将结构体的内存以及其成员一次性分配好，并返回给用户一个结构体指针，用户做一次free就把所有内存释放掉，而方法二做了两次内存分配，并把整个结构体返回给用户，用户需要先释放结构体成员的空间，再释放结构体。//2、如果p指向的空间之后没有足够的内存空间可以追加，则realloc函数会重新找一个新的内存区域，开辟一块满足需求的空间，并把原来内存中的数据拷贝过去，释放旧的内存空间，返回新开辟的内存空间地址。//在栈空间上开辟10个字节的连续空间。

原创 C语言知识（2）

3、开始执行程序代码，程序使用一个运行时堆栈，存储函数的局部变量和返回地址，程序同时也可以使用静态内存，存储于静态内存中的变量在程序的整个执行过程一直保存他们的值。在独立的环境下，程序的载入必须由手工安排，也可能是通过可执行代码置入只读内存来完成。每个被使用的文件都在内存中开辟了一个相应的文件信息区，存放文件的相关信息，这些信息保存在一个结构变量中，该结构体类型有系统声明，取名FILE。从test.c------------------>test.exe------------------->结果。

原创 C语言知识（1）

E为一个无符号正整数，E如果是8位，0-255，E如果是11位，取值范围位0-2047，但是科学计数法中E可能出现负数，规定存入内存时E的真实值必须加上一个中间数，8位的中间数是127,11位的中间数是1023。使用补码，可以将符号位和数值域统一处理；浮点数E等于1-127（或者1-1023）即为真实值，有效数字M不再加上第一位的1，而是还原为0.xxxxxxxx的小数，为了表示+0 ，-0，以及接近0的很小的数字。低地址------------------------------->高地址。

原创 python遇到的错误

改为：sess = tf.compat.v1.Session(config=tf.compat.v1.ConfigProto(gpu_options=gpu_options, log_device_placement=False))改为：gpu_options = tf.compat.v1.GPUOptions(per_process_gpu_memory_fraction=gpu_memory_fraction)原本：feed_in, dim = (inp, input_shape[-1].value)

原创 Python基础知识（1）

顺序的从列表中依次获得数据，每一次循环过程中，数据都会保存在my_name这个变量中，在循环体内部可以访问当前这一次获取到的数据。6.Python解释器在导入模块时，首先会搜索当前目录指定模块名的文件，如果有就直接导入，如果没有，再搜索系统目录。4.如果两个模块，存在同名函数，后导入模块的函数，会覆盖掉先导入的函数。通过**模块名.**使用模块提供的工具 （全局变量、函数、类）在日常开发中，要从列表删除数据，建议使用列表提供的方法。如果是被其他文件导入的，__name__就是模块名。

原创 opencv的使用技巧（4）

目的：计算机中存储的图像数据是离散的，而我们之前找到的极值点也就是离散空间中的极值点，但是离散空间中的极值点并不是真实的连续空间中的极值点。使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。目的：一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率，而在垂直边缘的方向有较小的主曲率。相同大小的图像，利用高斯滤波，使图像进行不同尺度的模糊， 尺度空间内核是高斯函数。

原创 opencv的使用技巧（3）

函数原型：calcHist(images,channels,mask,histSize,ranges,hist=None,accumulate=None)cv2.dft()返回的结果是双通道的（实部，虚部），通常还需要转换成图像格式才能展示（0,255）得到的结果中频率为0的部分会在左上角，通常要转换到中心位置，可以通过shift变换来实现。6. 标准相关匹配 CV_TM_CCOEFF_NORMED。4. 标准相关匹配 CV_TM_CCORR_NORMED。高频：变化剧烈的灰度分量，例如：边界。

原创 opencv的使用技巧（2）

在c点的梯度方向（边的垂直方向）做一条线，交点可能没有像素点，则设两个交点为dTmp1，dTmp1，用线性差值法算出两交点像素值，与c点像素值比较，如果c点是最大值则保留c点，否则抛弃。再归一化处理：我们还要确保这九个值加起来为1（高斯滤波核的特性），这9个点的权重总和等于0.7792，因此给上面9个值还要分别除以0.7792，得到最终的高斯滤波核的值。将level0级别的图像转换为 level1，level2，level3，level4，图像分辨率不断降低的过程称为向下取样。

原创 opencv的使用技巧（1）

【代码】opencv的使用技巧（1）

原创 Python文件的读写

保存的文件不是给人直接阅读的，而是提供给其他软件使用的 例如：图片文件、音频文件、视频文件。当执行了read方法后，文件指针会移动到读取内容的末尾，再次调用不会读取到任何内容。在文件管理器/终端中，可以执行常规的文件/目录管理操作，需要导入os模块。第一次打开文件时，通常文件指针会指向文件的开始位置。方法执行后，会把文件指针移动到下一行，准备再次读取。：可以使用文本编辑软件查看，本质上还是二进制文件。read方法默认会把文件内容一次性读取到内存。文件指针标记从哪个位置开始读取数据。

原创 算法分析与设计

nlogn分为大顶堆和小顶堆，1、将带排序的序列构造成一个大顶堆，根据大顶堆的性质，当前堆的根节点（堆顶）就是序列中最大的元素；最后，就得到一个有序的序列了。:n^2 在序列中随便找个数作为基数（可以选取数列一个数作为基数），用两个变量i,j分别指向最左边和最右边，从右往左找第一个小于基数的数，再从左往右找第一个大于基数的数，交换两个数，按照这种方法一直交换，直到j和i见面，交换这个数和基数，最后所有小于基数的数放在左边，大于基数的数放在右边，基数的位置就找到了，然后再分别对基数左右两个序列进行排序。

原创 机器学习算法

机器学习就是从数据中自动分析获得模型，并利用模型对未知数据进行预测。

原创 Learning Self-Consistency for Deepfake Detection论文阅读笔记

思想：伪造图像中源特征不一致，检测基于缝合的方法生成的深度伪影基于假设：生成的伪图像可以保存和提取图像的不同源特征方法：成对自一致性学习（PCL)，用于训练ConvNets提取这些源特征并检测深度伪图像。图像合成方法，不一致图像生成器（I2G），为PCL提供丰富注释的训练数据。源特征。

原创 On the Detection of Digital Face Manipulation论文阅读笔记

处理数字伪造的人脸图像检测和定位任务。利用注意力机制来处理检测模型的特征图，学习的注意力图突出了用于提高检测能力的信息区域，并且还突出了伪造的面部区域。面部伪造攻击主要有三种类型：1、物理欺骗攻击（打印和重放攻击）2、对抗性攻击：生成高质量且感知不到的对抗性图像，可以避开自动面部匹配器3、数字伪造攻击：通过V变量自动编码器（VAE）和生成对抗网络（GAN）可以生成完全或部分修改的真实感人脸图像。

原创 Multi-attentional Deepfake Detection论文阅读笔记

大多数检测为一个普通的二进制分类问题（真/假），首先使用骨干网络提取可疑图像的全局特征，然后将其输入到二元分类器中，以区分真假图像。将深度假脸检测表述为一种特殊的细粒度分类问题，并提出一种新的多注意力深度假脸检测网络1）多个空间注意力头部，使网络关注不同的局部信息（真假差异更加微妙和局部，使网络关注不同的潜在伪影区域，通过使用深度语义特征预测多个空间注意力图）2）纹理特征增强块，用于放大浅层特征中的子纹理瑕疵3）聚集由注意力图引导的低级纹理特征和高级语义特征作为每个局部部分的表示。

原创 基于图像分割网络的深度假脸视频篡改检测论文阅读笔记

该文从假脸篡改的机制出发，将视频换脸 视为特殊的拼接篡改问题，利用流行的神经分割网络首先预测篡改区域，得到预测掩膜概率图，去噪并二值化， 然后根据换脸主要发生在人脸区域的前提，提出一种计算人脸交并比的新方法，并进一步根据换脸处理的先验知 识改进人脸交并比的计算，将其作为篡改检测的分类准则。基于FCN-8s, FCN-32s和DeepLabv3 3个分割网 络实现检测算法，在库内及跨库进行检测。目 前，有3种常见的假脸视频篡改技术Face2Face（重建3维模型只对面部表情进行控制）Faceswap。

原创 EXPOSING DEEP FAKES USING INCONSISTENT HEAD POSES论文阅读笔记

深度假象的检测方法依赖于合成算法固有的伪影和不一致性，缺乏逼真的眨眼和不匹配的颜色分布。利用3D头部姿势误差检测DeepFake视频，属于基于帧内图像伪影的检测方法，使用低级语义层次特征+SVM分类器，属于浅层分类器方法。一致的面部标志，可以通过从人脸真实和伪造部分的2D界标估计的头部姿势（即，头部方向和位置）来揭示。具体来说，比较使用所有面部标志估计的头部姿势和仅使用中心区域估计的头部姿态。

原创 利用人脸3DMM重构信息检测深度伪脸视频论文阅读笔记

本文思路：带度量学习目标函数的卷积神经网络，在训练阶段从参考视频中逐段学习人脸外貌和行为特征，构造各人物的人脸外貌特征和行为特征参考集；在检测阶段通过逐段对比待测视频相应的特征是否存在于上述两个参考集中且人脸外貌特征和行为特征是否匹配来鉴定真伪。把源人脸换到目标人脸上，不改变目标人脸的面部动作和表情，所以就会出现面部行为与外貌特征不一致故检测时可检测外貌特征和行为特征是否一致。训练时，构造人脸外貌特征和行为特征参考集，检测时，特征是否存在参考集中，两个特征要匹配。

原创 深度伪造生成与检测研究综述论文阅读笔记

1、严重依赖训练设置，会导致测试性能的下降的问题，出双边高通滤波器（BiHPF），它通过放大在合成图像中发现的频率水平伪影的效果，实现稳健地检测出各类深度伪造图像。被动检测技术：将可疑语音分为有声段、无声段两个部分；2、针对生成的伪造视频与原始视频光度不一致的问题，提出了一种单目目标视频序列的实时面部重演方法，实现了生成的伪造视频与现实生活中的光照无缝连接。3、期望最大化（EM）算法提取局部特征，然后训练分类器（K-NN、SVM、LDA）来分辨真实图像和由当时最新的五种架构生成的图像的真伪。

原创 First Order Motion Model for Image Animation论文阅读笔记

图像动画包括生成视频序列，以便根据驱动视频的运动对源图像中的对象进行动画处理，而不使用任何注释或关于动画化的特定对象的先验信息。一旦在一组描述同一类别对象（如人脸、人体）的视频上进行了训练，我们的方法就可以应用于此类对象。1、为了根据驱动视频的运动对源图像中的对象进行动画处理，使用自我监督公式将外观和运动信息解耦。2、为了支持复杂的运动，我们使用由一组学习的关键点及其局部仿射变换组成的表示。3、生成器网络对目标运动期间出现的遮挡进行建模，并将从源图像提取的外观和从驱动视频导出的运动进行组合。

原创 FaceForensics++: Learning to Detect Manipulated Facial Images论文阅读笔记

贡献：1、一个由1000个视频中的180多万张图像组成的操纵面部图像的新型大规模数据集，具有原始（即真实）来源和目标地面真相，以实现监督学习2、一种适合面部操作的最先进的伪造检测方法。3、对各种场景中最先进的手工制作和学习伪造检测器进行了广泛评估4、用于在随机压缩下进行面部操作检测的自动基准，用于标准化比较，包括人类基线大规模人脸伪造数据库两种基于计算机图形的方法（Face2Face和FaceSwap）和两种基于学习的方法（DeepFakes和NeuralTextures）。