<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Goerge_L的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Goerge_L</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Goerge_L]]></copyright><item><title><![CDATA[TensorFlow框架做实时人脸识别小项目（三）]]></title><link>https://blog.youkuaiyun.com/Goerge_L/article/details/80547975</link><guid>https://blog.youkuaiyun.com/Goerge_L/article/details/80547975</guid><author>Goerge_L</author><pubDate>Sat, 02 Jun 2018 17:03:46 +0800</pubDate><description><![CDATA[第二部分讲到了用facenet将人脸embedding为特征矩阵，这种特征已经具有了相同人对应的向量距离小，不同人对应的向量距离大的特点。接下来，一般的应用有以下几类：（1）人脸验证（Face ID）。就是检测A,B两个人是否属于同一个人，需要计算两个向量之间的距离，设定合适的报警阈值（threshold）即可。这种应用在手机等电子设备上比较常见，例如现在的手机的人脸解锁功能。（2）人脸识别（Fa...]]></description><category></category></item><item><title><![CDATA[TensorFlow框架做实时人脸识别小项目（二）]]></title><link>https://blog.youkuaiyun.com/Goerge_L/article/details/80229307</link><guid>https://blog.youkuaiyun.com/Goerge_L/article/details/80229307</guid><author>Goerge_L</author><pubDate>Thu, 10 May 2018 18:22:12 +0800</pubDate><description><![CDATA[在第一部分中，分析了整个小项目的体系，重点讨论了用于人脸检测对齐的mtcnn网络的实现原理，并利用笔记本电脑自带的摄像头进行了测试。今天在这里要讨论的重点是人脸识别中的核心部分——facenet网络。facenet是Google开源的人脸识别框架，它的作用是把输入的人脸图像映射为多维特征向量，相当于对不同的人脸进行了不同的编码，同一个人脸的图像生成的编码几乎一致，不同的人脸图像生成的编码差异非常大...]]></description><category></category></item><item><title><![CDATA[TensorFlow框架做实时人脸识别小项目（一）]]></title><link>https://blog.youkuaiyun.com/Goerge_L/article/details/80208297</link><guid>https://blog.youkuaiyun.com/Goerge_L/article/details/80208297</guid><author>Goerge_L</author><pubDate>Sat, 05 May 2018 21:36:24 +0800</pubDate><description><![CDATA[人脸识别是深度学习最有价值也是最成熟的的应用之一。在研究环境下，人脸识别已经赶上甚至超过了人工识别的精度。一般来说，一个完整的人脸识别项目会包括两大部分：人脸检测与人脸识别。下面就我近期自己练习写的一个“粗糙”的人脸识别小项目讲起，也算是做一个学习记录。首先 ，整个项目的框架包括四个主要的部分：（1）利用opencv从图像传感器处（比如电脑摄像头）实时的读入视频帧；（2）使用mtcnn网络做人脸检...]]></description><category></category></item><item><title><![CDATA[TensorFlow框架做深度学习之命令行参数操作]]></title><link>https://blog.youkuaiyun.com/Goerge_L/article/details/79953459</link><guid>https://blog.youkuaiyun.com/Goerge_L/article/details/79953459</guid><author>Goerge_L</author><pubDate>Mon, 16 Apr 2018 12:05:03 +0800</pubDate><description><![CDATA[想必在linux系统上做开发的小伙伴们对命令行这种东西是熟悉的不能再熟悉了，linux系统时时刻刻都要通过命令行实现各种操作。但是作为资深的windows用户，我是不太习惯用cmd命令控制台去操作应用的。回到今天的主题，为了使我们用TensorFlow框架编写的深度学习代码更具有平台的通用性，有必要学习一下在windows上使用命令行去启动代码并且传入我们所需的各种参数，让代码能够正常的跑起来~ ...]]></description><category></category></item><item><title><![CDATA[Opencv3.4与Opencv_contrib模块联合编译，生成使用CUDA加速的Opencv GPU模块]]></title><link>https://blog.youkuaiyun.com/Goerge_L/article/details/79777989</link><guid>https://blog.youkuaiyun.com/Goerge_L/article/details/79777989</guid><author>Goerge_L</author><pubDate>Sun, 01 Apr 2018 16:25:31 +0800</pubDate><description><![CDATA[出于稳定性考虑，Opencv3官方一直没有加入Opencv2中存在的模块，比如像feature2d模块，其中包含了SURF、SIFT这些经典的图像算法。如果想要在Opencv3中使用这些算法，要自己动手从Opencv_contrib模块中编译生成库使用。而今天想要说的重点是用Opencv3.4与Opencv_contrib模块联合编译，生成能够使用CUDA加速的GPU模块，也就是俗称的Opencv...]]></description><category></category></item></channel></rss>