做3D pose的同学经常需要可视化单帧的3D关键点结果来进行调试。 本文实验目的，用matplotlib把一组点画成3D火柴人。注意：我画的都是17关节点的，其他数量的关节点请对照着改。 输入： [[9.07790224, -72.22343977, -76.2384473, -14.76985357, 93.36553108, 37.00967529, 50.7755518
matplotlib是python里最popular的画图工具，最近发现它可以用来画动态图。可以看看AI模型训练时候的loss曲线，accuracy变化等等。客观上，比tensorboard更简洁。 代码还是很简单滴： import matplotlib.pyplot as plt from random import random def do_something():
TensorBoard是一款优秀的基于浏览器的机器学习可视化工具。之前是tensorflow的御用可视化工具，由于tensorboard并不是直接读取tf张量，而是读取log进行可视化。所以，其他框架只需生成tensorboard可读的log，即可完成可视化。 之前，我一直用visdom做pytorch可视化，也是非常易用。不过现在跟tensorboard对比，我还是更推荐tensorboard
MUNIT是ECCV2018的一篇关于不同风格图像之间转换的文章，是UNIT的衍生版本。作者是很大方滴，在gayhub上就可以找到munit的代码。 Munit做了一件说明事情呢？我们看图就知道了： 通过几笔简笔就可以生成真实感的图像，这就是munit的用处之一了。准确来说，munit是cycleGAN的强化版本。 论文地址：http://openaccess.thecvf.com/co
数据增强方法无疑是需要重点研究的基本任务之一，因为我们的主流深度学习算法还是一个有监督过程。台湾国立清华大学在ECCV2018发表了一篇AugGAN开始把GAN用在数据增强方面了，当然，这并不是这个领域的第一篇。不过很具有参考意义，也很能解决实际问题。所以特地写一个blog研究一番。 读本文需要懂GAN和Auto-Encoder的基本算法流程，没有GAN和AE基础的可以看我关于GAN和A
在有监督机器学习算法越来越强大之时，数据便成了限制模型performance的最关键因素了。所以不少国内外学者的研究方向都开始转向数据增强了。 今天看了一篇来自《计算机应用》的期刊文章（好久没看journal了，而且还是国内的），不过这篇期刊还是有点货的。国内的journal，咱并不期待能当算法风向标，但可以当综述看，也可以有一定的价值。放一下论文链接:《基于生成式对抗神经网络的数据增强方法》文
cGAN = conditional GAN也是最基础的GAN模型，和GAN原文同时发表在NIPS2014上面。事实上，cGAN在GAN的基础上并没有做很大的改动，下文会主要分析一下cGAN的改动。 先按照国际惯例，放论文链接： Conditional Generative Adversarial Nets ~~~如果还不熟悉GAN算法的，可以看我的上一篇博文。前面说到GAN的缺点： 在训
Generative adversarial network 据有关媒体统计：CVPR2018的论文里，有三分之一的论文与GAN有关由此可见，GAN在视觉领域的未来多年内，将是一片沃土(CVer们是时候入门GAN了)。而发现这片矿源的就是GAN之父，Goodfellow大神。 神。文末有基于keras的GAN代码，有助于理解GAN的原理 生成对抗网络GAN，是当今的一大热门研究方向。在2
实时目标检测一直是yolo系列的追求之一，从yolo v1开始，作者就在论文中强调real-time。在后期的v2和v3的发展过程中，慢慢在P&R(尤其是recall rate)上下不少功夫。同时，计算量的增大也牺牲了yolo的实时性。 tiny-yolo是轻量级的yolo，在不那么要求mAP的场景下，tiny-yolo可以作为v2甚至v3的代替结构。事实上，对于无GPU的设备来讲，ti
yolo_v2论文发表在CVPR2017。v2算法在v1的基础上可以说是飞跃性提升，吸取诸子百家之优势。同时，v2的论文也是目前为止yolo系列论文里干货最多的文章。 论文标题:《YOLO9000: Better, Faster, Stronger》 论文地址: https://arxiv.org/pdf/1612.08242v1.pdf yolo_v2的一大特点是可以”tradeo
yolo v1发表在CVPR2016上，是经典的one-stage检测算法。在没接触yolo之前，我曾经就和师兄争论过，是否能把bounding box的坐标和宽高像分类网络那样预测出来，Yolo v1的出现证明了我的猜测是对的。 论文标题: 《You Only Look Once: Unified, Real-Time Object Detection》论文地址：https://arxiv
积分
粉丝
勋章
TA还没有专栏噢
第三方账号登入
看不清？点击更换
第三方账号登入
QQ 微博 微信