深度学习
文章平均质量分 74
准小赖
软件工程专业学生。Java、深度学习、算法、andriod开发学习ing
展开
-
论文了解-3D human pose estimation in video with temporal-conv
前言本文是2019年的CVPR,内容主要是视频中的姿态估计。本文的主要思想是:2D姿态估计+视频中的时序信息=3D姿态估计。且效果好于同时期所有的3D姿态估计模型。技术理解开始先放出网络结构。采用的是Res-Net的网络结构。需要注意网络的需要是一组2D pose的坐标。这里我主要说一下该文中用到的重要方法,网络结构不进行讲述。模型思想2D到3D,3D到2D。预测出的2D坐标转化为3D坐标后,再将预测的3D坐标反映射为2D坐标,用映射后的2D坐标与转化前的2D坐标进行比较。如何3d到2d1原创 2021-05-30 18:10:28 · 296 阅读 · 0 评论 -
计算机视觉——光流
光流是空间运动物体在观察成像平面上的像素运动的瞬时速度。(可以就把光流理解为瞬时速度)光流法是通过上下帧像素点的位置关系来判断物体运动的信息的方法。光流场可以理解为光流的集合。基本假设条件使用光流法必须假设两个条件:1.亮度不变:同一目标在不同帧时的亮度不改变。2.时间连续或运动为“小运动”:相邻帧运动幅度不能过大。基本约束方程由第一个假设条件得到基本约束方程:上一时刻的光照强度等于下一时刻的最后推导得:Ix、Iy可由图像得到,u、v为需求的光流矢量(x,y轴的速度矢量)。原创 2021-06-19 21:47:10 · 1447 阅读 · 0 评论 -
VoxelNet论文了解
前言本文网络采用的是端到端模式。网络主要由3个部分组成:特征学习网络、中间层卷积、RPN(候选区域网路)特征学习网络大概描述一下就是:首先将点云数据空间分为一个个栅格,构造栅格网;然后根据栅格网将点云数据进行分割。因为数据过多,于是采用随机采样。对包含T个点以上的体素中抽取T个点。随后进行堆叠体素特征编码:每个栅格的点进行去中心化后输入全连接网络得到逐点特征,对逐点特征进行max-pooling,得到局部聚合特征,逐点连接逐点特征和局部聚合特征得到逐点连接特征。另外,由于超过90%的体素为空,需原创 2021-06-10 22:25:19 · 118 阅读 · 0 评论 -
人体姿态估计学习——HRNet论文了解
前言最近开始了看姿态估计的东西,所以选择了寻找顶会论文来拜读。这里找了一篇2019年的cvpr。由于还在处于相当入门的阶段,就简略讲一下自己的一些理解。介绍目前,关键点的寻找作为姿态估计中极其重要的部分,大佬们不断寻找提高预测准确率的方法。于是开始在信息的恢复(优化特征的高清度)上下功夫,一般的优化方法有:1.反卷积、2.沙漏结构、3.空洞卷积。本文中HRNet:高分辨率子网络。在提高高清度方面提出了一个很特别的网络结构——并行多尺度融合的结构。传统方法1.以往的网络结构都是串联结构,先是用卷积原创 2021-05-17 21:23:40 · 418 阅读 · 0 评论 -
ImageNet历届冠军作品、keras了解
周末总结本周学习内容:ImageNet历届冠军作品keras了解一.ImageNet历届冠军作品 在多届冠军作品中,我挑选了四个最有特点的网络进行了学习。其中包 括:AlexNet、GoogleNet、ResNet和一个亚军作品VGG。 下面依次介绍以上网络各自的特点、用到的关键技术。 AlexNet: 1.重叠池化。一般网络中的池化都是设置为步长=尺寸。而重叠池化 中的步长是小于它的尺寸的,就可以做到一个像素可以被扫描到多次 。更大程度上保留了学习到的特征。 2.双G原创 2020-12-20 12:54:26 · 1706 阅读 · 2 评论 -
深度学习——学习总结(1)
前言学习深度学习也有小半年了,因为平时还要上课,学习速度比较慢。目前三大框架——tensorflow、keras、pytorch 的基础内容都学了一遍。但不时回想前面的学习内容时,或多或少都有一些遗忘,因此在这里记录一下自己在学习这三个框架中遇到的重点内容。一.tensorflow基础...原创 2021-04-11 16:02:55 · 975 阅读 · 0 评论 -
深度学习——学习总结(2)
卷积神经网络接下来就进入到了CNN(卷积神经网络)的学习。和前面一样,第一个代码还是为了了解卷积的底层逻辑,不使用api编写它的卷积过程。上代码:#写这段代码时思考下卷积的过程,不要光看代码,容易被扰乱思路import tensorflow as tfinputs =tf.ones([3,6,6,3])features = tf.ones([3,3,3,2])batch_size = inputs.shape[0]in_channel = features.shape[2]out_c原创 2021-09-18 11:46:47 · 176 阅读 · 0 评论