- 博客(7)
- 资源 (7)
- 收藏
- 关注
原创 LiveCap: Real-time Human Performance Capture from Monocular Video
TOG 2019 GVV 亮点: 1)实时,25Hz;对松弛的衣物也进行了重建。 2)skeleton pose estimation时,加入了face landmark;silhouette alignment时,用的是图像距离变换。 3)surface registration时,利用了texture信息;基于部件进行silhouette alignment。 ...
2019-07-23 17:26:47 1254 1
原创 In the Wild Human Pose Estimation Using Explicit 2D Features and Intermediate 3D Representations
cvpr 2019 oral ,GVV 亮点: 1)将3d depth与2d heatmap 分离进行隐性表达,从而将由rgb得到3d pose的过程转换为 :先由rgb得到2d heatmap和depth,再由2d heatmap和depth得到3dpose。实际是学习了一个d,然后基于RGBD去学校3d depth。这样一来,一方面便于2d和3d分开学习,另外2d数据和3d数据都可以被用来...
2019-07-23 15:12:04 695
原创 【Imagenet LSVRC系列模型】VGGnet-2014 Very deep convolutional networks for large-scale image recognition
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. arXiv preprint arXiv:1409.1556, 2014.2014年ImageNet 图像分类第二名,物体检测第一名。论文主要贡献:1:分别训练了深度从11-19的ABCDE五个网络模型(图1...
2018-05-09 20:37:37 925
原创 【Imagenet LSVRC系列模型】GoogLeNet-2014 Going Deeper with Convolutions
Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]. Cvpr, 2015.ImageNet 图像分类 2014 冠军模型文中主要是提出一种称为Inception的深度卷积神经网络结构。Inception的优势在于增加网络的深度和宽度的同时,将计算量控制在一定范围内。另外,Inception的设计理念中还包含了Hebb...
2018-05-08 16:39:02 1923
原创 【Imagenet LSVRC系列模型】Zenet-2013 Visualizing and Understanding Convolutional Networks
Zeiler M D, Fergus R. Visualizing and understanding convolutional networks[C]//European conference on computer vision. Springer, Cham, 2014: 818-833.2013年ImageNet 图像分类。大量的CNN模型在ImageNet图像分类任务中取得了优秀的效果...
2018-05-07 18:32:25 612
原创 【Imagenet LSVRC系列模型】Alexnet-2012 Imagenet Classification with Deep Convolutionnal Neural Networks
文章链接:http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf在2012 Imagenet LSVRC比赛中,Alexnet以15.3%的top-5 错误率轻松拔得头筹(第二名top-5错误率为26.2%)。由此,DCNN的潜力受到广泛认可,一炮而红。...
2018-04-29 16:38:52 1798
FireFly A Reconfigurable Wireless Data Center Fabric
2016-02-23
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人