邹小驴

原创 人体姿态估计预处理——测试获得六个尺度

测试获得六尺度的注意点 ：1、六个尺度是对原图像，就是一开始的图像未被变成256*256的改变。2、在转换的过程中，需要得到仿射变换矩阵。--------------------------------------------------------------------------------- Cropping-------这个函数也是多尺度测试会用到的-----------------------------------------------------------------.

原创 人体姿态估计之数据预处理

原创 numpy 之np.not_equal

np.not_equal比较的是对应元素是否相等.相等元素为false，不相等就是true对于第一种情况，比较的对象shape与第二个比较对象shape不相等，需要将维度广播，下面就是一个例子，将arr1进行广播arr1 = np.array([[11, 12, 13],[11, 12, 13]])import numpy as nparr1 = np.array([11, 12, 13])arr2 = np.array([[11, 22, 23],[21, 22, 23]])print.

转载 np.dot

https://www.cnblogs.com/Shawnyi/p/10370815.html

原创 图像旋转

这个是人体姿态估计旋转角度。旋转中心（0，src_w * -0.5），旋转角度是：rot_rad。其中：src_w=scale*200（人体在原图中所占的高度，也就是这么一个高度就可以将人包围住）rot_rad = np.pi * rot / 180src_dir = get_dir([0, src_w * -0.5], rot_rad)...

原创 python之x.astype

import numpy as npx = np.array([1, True, False])b = x.astype(int)print(b)[1 1 0]这个函数是在人体姿态估计中获取最大热图值使用到#######这里的目的是将1*4096的预测热图值的矩阵变成64*64热图尺寸的形式 preds[:, :, 0] = (preds[:, :, 0]) % width preds[:, :, 1] = np.floor((preds[:, :, 1]) / w.

原创 numpy之np.tile函数

>>> import numpy>>> numpy.tile([0,0],5)#在列方向上重复[0,0]5次，默认行1次array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])>>> numpy.tile([0,0],(1,1))#在列方向上重复[0,0]1次，行1次array([[0, 0]])>>> numpy.tile([0,0],(2,1))#在列方向上重复[0,0]1次，行2次array([[0.

原创 numpy之numpy.amax

numpy.amax(a, axis=None, out=None, keepdims=<no value>, initial=<no value>, where=<no value>)获取数据a的坐标轴方向的最大值。举例：a = np.arange(4).reshape((2,2))print（a）array([[0, 1], [2, 3]])##########################################np.

原创 numpy之np.argmax

np.argmax函数的作用 就是获取最大值的索引，也就是id举例说明：np.argmax函数参数argmax(a, axis=None, out=None) 返回axis维度的最大值的索引 a ：输入一个array类型的数组。 axis：参数为None时默认比较整个数组，参数为0按列比较，参数为1按行比较。 ...

转载 水平翻转需要注意的事项

在水平翻转的时候，可以通过image.transpose(PIL.Image.FLIP_LEFT_RIGHT)来进行图像上的水平翻转，但是label并不能和翻转后的图片一一对应，因此需要修改label的横坐标位置。方法1：通过计算中心点的x坐标来更新#计算中心点anno_centers=(anno[:,0]+anno[:,2])/2#对于中心点进行水平翻转anno_centers=1-anno_centers#计算原来的xmin,xmax的距离anno_widths=anno[:,2

原创 pytorch之torch.flip

torch.flip(input,dim):第一个参数是输入，第二个参数是输入的第几维度，按照维度对输入进行翻转import torchx = torch.arange(16).view(2, 2, 2,2)print('x=\n',x)a = torch.flip(x, [2])print('a=\n',a)x= tensor([[[[ 0, 1], [ 2, 3]], [[ 4, 5], [ 6, 7]]],

原创 pytorch之transform

从 MyDataset()类中 __getitem__(）函数中发现， PyTorch 做数据增强的方法是在原始图片上进行的，并覆盖原始图片，这一点需要注意。

原创 pytorch之dataloader，enumerate

from torch.utils.data import TensorDatasetimport torchfrom torch.utils.data import DataLoadera = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 2, 3], [4, 5, 6], [7, 8, 9]])b = tor.

转载 Siamese network之网络编写——pytorch

import torchimport torch.nn as nnimport torch.nn.functional as Fclass SiameseNet(nn.Module): """ A Convolutional Siamese Network for One-Shot Learning [1]. Siamese networts learn image representations via a supervised metric-based app.

转载 关于怎么使用预训练参数的问题，没有办法在ImageNet上训练？

https://github.com/YimianDai/open-aff/issues/8首先，关于怎么使用预训练参数的问题，我觉得应该是没问题的，您可以逐层手工从 pretrained_net 里面把对应层的权重付给你自己网络（假设叫 net）的对应层。在 MXNet 里面，大概就是如下：pretrained_net = resnet50_v1b(pretrained=True)params = pretrained_net.collect_params()net = create_new