原创 C++ 實現美顏（臉部上妝）（BeautyGAN）
在《一鍵上妝的BeautyGAN》一文中介紹了，BeautyGAN 的 實現功能：輸入兩張人臉圖片，一張無妝，一張有妝，模型輸出換妝之後的結果，即一張上妝圖和一張卸妝圖。 並在《https://github.com/Honlan/Beau
2020-06-20 01:53:37
5
原创 C++ 實現 超分 Meta-SR
Meta-SR（任意放大倍數的超分辨率），大概意思是 ：可以是非整數倍的，並且只要一個模型（就可以實現2，3，4 倍及它們之中間倍數，比如，2.3, 3.5 倍等） 在《Meta-SR--master》中提供了 一個訓練好的模型 （百度盤
2020-06-20 01:53:36
5
原创 C++ 實現 語義分割（ade20-150類）
在 http://sceneparsing.csail.mit.edu/model/pytorch 中也有一些模型，下一個試試效果 ade20k-mobilenetv2dilated-c1_deepsup 輸入圖 5_地面_人_自行車_
2020-06-20 01:53:36
19
原创 步長爲2的卷積 VS 步長爲1的卷積 + 間隔刪除（美顏BeautyGAN）
用以前的代碼並不能實現 python、Tensorflow 同樣的效果。 MatConvNet 和 Tensorflow 中的卷積，在步長爲2時，並且圖像長寬是偶數時，並不完全相同 比如步長爲1的一個卷積結果是這樣的： [[ 2. 0
2020-06-20 01:53:36
原创 C++實現 多維轉換（torch.Transpose、permute）{Meta-SR}
這裏要實現 Meta-SR 中的元放大部分中的多維操作，比如：torch.cat，torch.arange，torch.matmul，torch.Transpose，Tensor.view，Tensor.permute 等。 matmul
2020-06-20 00:54:22
5
原创 用超分辨程序去模糊
超分辨按實現方式分兩類： 1。雙三次放大 + 網絡 = 大圖 2。 小圖 + 網絡 = 大圖 對中間部分 “網絡” 來說： 第1種 學習到了：怎樣把 模糊圖變成清晰圖。SRCNN VDSR DRCN DRRN 是
2020-06-10 00:39:50
2
原创 C++ 實現 實例分割（Mask_RCNN-81類）
在 https://github.com/matterport/Mask_RCNN 下載《Mask_RCNN-master》，並下載訓練權重（mask_rcnn_coco.h5）。 然後安裝 Keras 2.0.8。pycocotool
2020-04-20 23:14:59
2
原创 C++ 實現 超分 SFTGAN
SFTGAN（通過語義分割先驗恢復圖像中的真實紋理的超分辨率），大意是有些場合效果可能更好。 （https://github.com/xinntao/SFTGAN） 生成部分分兩塊： 1。8種類語義分割 2 。超分部分 主函數：
2020-02-24 18:25:30
8
原创 Winograd卷積應用（NEON 和 SSE 對應指令）
用矩陣乘法（im2col+sgemm）的方式卷積，雖然速度很算可以，但非常費內存，不能應用大一點的圖片。 看了一些博客說到Winograd卷積，比上面的速度更快，用到內存更小，也來試試。 下載FeatherCNN 地址：http://gi
2020-02-24 18:25:30
原创 C++ 實現 mobileNet分類器
在 https://github.com/shicai/MobileNet-Caffe 中有兩個模型： 1。mobilenet.caffemodel 2。mobilenet_v2.caffemodel 這裏用C++實現下 mobilene
2020-02-24 18:25:30
1
原创 C++ 實現 語義分割 deeplab_v3
在 https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/model_zoo.md 中有許多個模型。 先下一個試試效果如何：http://downl
2020-02-24 18:25:30
原创 C++實現人機對戰圍棋（使用Leela Zero權重）-自動提子
前面的需要手動提子，非常不方便，這裏再實現一個自動提子（判斷死子並在棋盤中拿走）功能。 在下圍棋時，當一個棋子落到棋盤上，它會對周圍對方棋子的死活產生影響，如果對方棋子沒有氣了（死了），必須從棋盤上拿掉（提子）。 進一步分析的話，剛落下的
2019-08-08 07:12:07
1
原创 C++實現人機對戰圍棋（使用Leela Zero權重）-策略
策略部分就是哪個下載的權重的網絡，根據棋面黑白子狀態，輸出一些下子位置和（在該位的）勝率。 網絡輸入： Leela Zero網絡權重輸入是: ``` 1）在時間T = 0時行棋的一方 2）在時間T = -1時行棋的一方（如果T = 0
2019-08-07 07:16:01
10
原创 C++實現人機對戰圍棋（使用Leela Zero權重）-界面
1。在《leela-zero-next》包中有一個 從人類遊戲訓練的（較弱的）網絡的權重文件（https://sjeng.org/zero/best_v1.txt.zip）（6殘差塊，128通道） 2。並在《easyx吧》百度貼吧下了一個
2019-08-06 06:41:20
22
原创 C++運行三維人臉重建 VRN
流程： 定義數據池： 1。殘差塊 struct 殘差塊 //標準殘差塊 { BN層數據 * bn0; 層數據 * conv1; BN層數據 * bn1; 層數據 * conv2; BN層數據 * bn2; 層數據 *
2019-07-05 07:02:40
1