原创 圖像變換

圖像變換 包含內容:等距變換、相似變換、仿射變換、投影變換 相關鏈接: https://blog.csdn.net/raby_gyl/article/details/52780644 https://blog.csdn.net

原创 內存圖片二進制數據直接轉爲 OpenCV 數據格式的方法

      想了多種方法解決這個問題,還是百度的力量大。        在很多應用中,經常會直接把圖片的二進制數據進行交換,比如說利用 socket 通信傳送圖片二進制數據,或者直接用內存數據庫(例如 Redis)來傳遞圖片二進制數據。

原创 3D卷積“LP-3DCNN: Unveiling Local Phase in 3D Convolutional Neural Networks”

LP-3DCNN: Unveiling Local Phase in 3D Convolutional Neural Networks 3D卷積計算量大,消耗內存多,論文提出了修正的局部相量(ReLPV)模塊替換標準的3D卷積,在3D局部

原创 點雲卷積“PointConv: Deep Convolutional Networks on 3D Point Clouds”

PointConv: Deep Convolutional Networks on 3D Point Clouds 參考借鑑了https://baijiahao.baidu.com/s?id=1631407236773911746&wfr

原创 遷移學習“Importance Weighted Adversarial Nets for Partial Domain Adaptation”

Importance Weighted Adversarial Nets for Partial Domain Adaptation 提出重要性加權對抗網絡用於非監督的域適應,主要針對目標域相比源域具有的類別數較少的部分遷移學習。該網絡目

原创 遷移學習“Partial Transfer Learning with Selective Adversarial Networks”

Partial Transfer Learning with Selective Adversarial Networks 摘要:對抗學習應用於深度網絡中學習可遷移的特徵初有成效,它降低了源域及目標域之間的分佈差異。目前已有的對抗網絡假設

原创 ubuntu 下 python 調用 c++ 錯誤問題解決

ImportError: /home/whut/anaconda2/bin/…/lib/libgomp.so.1: version GOMP_4.0' not found libstdc++.so.6: versionGLIBCXX_

原创 L2-constrained Softmax Loss for Discriminative Face Verification

摘要:softmax損失優化出來的特徵不具有較高的類內相似度得分及較低的類間相似度得分。論文增加了特徵描述子的L2約束,使得特徵分佈在具有固定半徑的超球上。   大多數現有的使用softmax損失訓練的DCNN方法傾向於在高質量的數據上過

原创 git簡單命令

查看自己的用戶名和郵箱地址:   $ git config user.name   $ git config user.email 修改自己的用戶名和郵箱地址:   $ git config --global user.name "xxx

原创 三元組損失“Deep Metric Learning via Lifted Structured Feature Embedding”

http://www.cnblogs.com/wangxiaocvpr/p/5921074.html caffe實現解釋:https://blog.csdn.net/zziahgf/article/details/78568696 ten

原创 人臉識別“A Discriminative Feature Learning Approach for Deep Face Recognition”

Source code: https://github.com/ydwen/caffe-face FaceNet: https://github.com/davidsandberg/facenet 相關的blog:https://blog

原创 人臉識別“NormFace: L 2 Hypersphere Embedding for Face Verification”

源碼地址: https://github.com/happynear/NormFace 研究了特徵歸一化方法用於增強人臉驗證性能,同時提出了兩種適應于歸一化特徵訓練的兩種策略:基於優化餘弦相似度改進的softmax損失,改進的度量學習方法

原创 人臉檢測“Real-Time Rotation-Invariant Face Detection with Progressive Calibration Networks”

源碼:https://github.com/Jack-CV/PCN-FaceDetection 提出了PCN網絡檢測任意角度的人臉,網絡分爲三級,首先將任意角度人臉從[-180°,180°]轉到[-90°,90°],第二級將人臉轉到[-4

原创 三元損失“In Defense of the Triplet Loss for Person Re-Identification”

更全面的閱讀記錄可以參考這篇博客:https://blog.csdn.net/xuluohongshang/article/details/78965580 背景描述 提出了一個三元損失的變形用於行人再認證。 近期較爲成功的行人再認證方法

原创 深度嵌入學習“Sampling Matters in Deep Embedding Learning”

在檢索和驗證任務中,經常使用contrastive 損失或 triplet損失作爲損失函數,大多數論文也主要關注如何選取損失函數,這篇論文認爲訓練樣本的選取也很重要。提出了distance weighed sampling,選取信息量更大