<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Hym_eric的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Hym_eric</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Hym_eric]]></copyright><item><title><![CDATA[2021_Image-to-image Translation via Hierarchical Style Disentanglement_CVPR]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/118148607</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/118148607</guid><author>Hym_eric</author><pubDate>Wed, 23 Jun 2021 14:16:33 +0800</pubDate><description><![CDATA[概要

本文是一片针对人脸进行属性编辑的论文，针对从CycleGAN提出后，图像翻译面临的最大的两个问题就是扩展性（同时处理多种篡改）和多样性（生成不同的结果），然而，一直没有一个很好的方法，可以兼顾扩展性和多样性的同时，又能使得这种篡改满足预期。例如，对于人脸属性篡改任务，我们想要给人脸加上刘海，可是却改变了发色或是背景，再例如，我们想要给人脸加上眼睛，结果竟然性别和年龄也改变了。下面是最新模型StarGANv2的结果：





针对以往方法不能单独控制独立的属性的缺点，设计了层级结构模型HiSD，同.]]></description><category></category></item><item><title><![CDATA[2019_VideoBERT-A Joint Model for Video and Language Representation Learning_ICCV]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/118142980</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/118142980</guid><author>Hym_eric</author><pubDate>Wed, 23 Jun 2021 09:14:34 +0800</pubDate><description><![CDATA[模型：看上出很简单，就是利用了bert的模型，输入输出不仅仅是文本，将视频和文本相结合一起自监督训练，不仅可以得到单文本或者单视频内部的关系，还可以得到文本和视频的对应关系。



文中强调了学习的是一种high-level的语义，和之前的视频表征学习不同，使用了三个现成的方法，ASR语音转文字（Youtube自带的一个API接口）、vector quantization（VQ）将视频转化为visual words和bert模型。主要贡献就是提出了这么一种自监督训练视频特征的方法。

这里的输入前面的CLS]]></description><category></category></item><item><title><![CDATA[2019_Polysemous Visual-Semantic Embedding for Cross-Modal Retrieval_CVPR]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/118142699</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/118142699</guid><author>Hym_eric</author><pubDate>Wed, 23 Jun 2021 09:07:48 +0800</pubDate><description><![CDATA[Motivation

以往的跨模态检索工作都是一对一映射关系，对于语义不明或者多语义的文本和视觉图像/视频效果不好，下图是一个例子，文本中表达的含义和视频中表达的含义非常模糊的，再比如一句话只是描述了图像中某一个区域，作者提出使用一对多的方法，将单例（文本或者图像视频等）映射到多级特征中，分成K个表示，就是一对多的关系建模，并且通过local和global的方式去构建模型，对损失函数也做了相应修改，达到了更好的结果，并且提出了一种具有ambiguous特点的数据集MRW，这种数据集是：视频中是对一句话文本]]></description><category></category></item><item><title><![CDATA[2020_Deep Image Compositing_arXiv]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/118142557</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/118142557</guid><author>Hym_eric</author><pubDate>Wed, 23 Jun 2021 09:01:37 +0800</pubDate><description><![CDATA[这篇工作做的是图像合成，是有监督的方式



整体有三个网络，一个根据显著性物体的网络先做分割，之后输入到refinement 网络进行优化mask，之后利用双支路编解码模型得到目标图像。并提出了一种针对双流模型合成任务的triplet数据对增强方法，先在简单数据集上训练，之后根据简单数据fg和随机复杂背景得到更难训练的样本形成一种self-taught的训练模式。





主要的创新点在于提出的数据增强策略，（其实就是用数据提升效果），展示的效果很多，其他并没有特别突出的地方基本都是已有的方法借...]]></description><category></category></item><item><title><![CDATA[2019_Dual Encoding for Zero-Example Video Retrieval_CVPR]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/118142183</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/118142183</guid><author>Hym_eric</author><pubDate>Wed, 23 Jun 2021 08:51:44 +0800</pubDate><description><![CDATA[Motivation

现存的视频检索的工作都是concept based的方法，从视频和文本中寻找各自对应的概念，在现实场景中比较难以使用，作者提出concept free方法，加入多种特征的双塔模型，简单高效。



Contribution

提出一个多级的编码方式，映射到同一空间

渐进式地学习局部、全局和时序的特征

不错的效果





Method





如图，视频和文本的模型差不多，对于视频先用预训练好的模型提取特征，通过平均池化得到全局特征，通过双向GRU得到时序特征，通过双向G...]]></description><category></category></item><item><title><![CDATA[2006_Color Harmonization_SIGGRAPH]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/118141954</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/118141954</guid><author>Hym_eric</author><pubDate>Wed, 23 Jun 2021 08:43:24 +0800</pubDate><description><![CDATA[这是一篇关于色彩和谐化的工作，可以根据图片的HSV空间中H色相的值进行改变颜色，使得原图更加美观。



文中使用色相环，预定义了8种模板



模板中的中心位置说的是扇形区域的中间那条线是在哪个地方（顺时针偏移），默认垂直向上的是0，eg 0.25 则是说的中心线在正东方向。而宽度是不变的，也就是灰色的扇形区域的大小是不变的，变得就只是中心线的位置，相当于在绕着中心点旋转。



这个是相当于损失函数，里面的||*||代表了弧长，意思是让像素的色相值尽可能接近模板本身，



算法思路是，先固定模板，然.]]></description><category></category></item><item><title><![CDATA[【论文CVPR2016】NetVLAD: CNN architecture for weakly supervised place recognition-转载]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/104275627</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/104275627</guid><author>Hym_eric</author><pubDate>Wed, 12 Feb 2020 11:33:37 +0800</pubDate><description><![CDATA[原文：http://www.liuxiao.org/2019/02/%E8%AE%BA%E6%96%87%E7%AC%94%E8%AE%B0%EF%BC%9Anetvlad-cnn-architecture-for-weakly-supervised-place-recognition/

NetVLAD1是一个较早的使用 CNN 来进行图像检索或者视频检索的工作，后续在此工作的基础上陆续出了很多...]]></description><category></category></item><item><title><![CDATA[阿里云centos python升级后的坑]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/85134977</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/85134977</guid><author>Hym_eric</author><pubDate>Thu, 20 Dec 2018 19:33:27 +0800</pubDate><description><![CDATA[python升级之后显示缺少_ssl，发现解决方案很麻烦，于是就像安装anaconda，但是当我bash Anaconda3-5.0.1-Linux-x86_64.sh
的shihou中途报错，说没有bzip2，



所以查找办法，可以用yum安装，但是yum基于python2.7，又找办法，可以修改两处

1、修改yum配置文件，将python版本指向以前的旧版本


	# vi /usr/b...]]></description><category></category></item><item><title><![CDATA[【No.1】史上最清楚的numpy shape和axis讲解]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/84865148</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/84865148</guid><author>Hym_eric</author><pubDate>Thu, 06 Dec 2018 21:35:22 +0800</pubDate><description><![CDATA[很久之前就学习了numpy，但是最近在使用的过程中，突然蒙蔽了，以前就是对于二位、三维数据的记忆，如果忘记了，测试一下就知道了，但是内心无法接受，所以决定再仔细的研究一番，经过很多资料的学习终于让我剔骨灌顶，希望可以帮到路过的人，这里均采用实例讲解。

一、shape

比如：a=np.array([[[1,2,3],[2,3,4]],[[2,3,4],[1,2,1]]])

首先要知道在nump...]]></description><category></category></item><item><title><![CDATA[Python中的X[:,0]、X[:,1]、X[:,:,0]、X[:,:,1]、X[:,m:n]、X[:,:,m:n]和X[: : -1]]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/84794012</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/84794012</guid><author>Hym_eric</author><pubDate>Tue, 04 Dec 2018 18:07:37 +0800</pubDate><description><![CDATA[对于X[:,0];

是取二维数组中第一维的所有数据

对于X[:,1]

是取二维数组中第二维的所有数据

对于X[:,m:n]

是取二维数组中第m维到第n-1维的所有数据

对于X[:,:,0]

是取三维矩阵中第一维的所有数据

对于X[:,:,1]

是取三维矩阵中第二维的所有数据

对于X[:,:,m:n]

是取三维矩阵中第m维到第n-1维的所有数据

    这样的讲解可能还是有点...]]></description><category></category></item><item><title><![CDATA[Ubantu14.04 自己工作目录安装cuda10和cuDNN v7.4.1 (Nov 8, 2018), for CUDA 10.0]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/84699135</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/84699135</guid><author>Hym_eric</author><pubDate>Sun, 02 Dec 2018 10:59:53 +0800</pubDate><description><![CDATA[首先到cuda官网下载cuda10：

1、下载并安装CUDA10.0 https://developer.nvidia.com/cuda-downloads?target_os=Linux&amp;amp;target_arch=x86_64&amp;amp;target_distro=Ubuntu&amp;amp;target_version=1404&amp;amp;target_type=runfilelocal 

对...]]></description><category></category></item><item><title><![CDATA[tensorfow中的Dataset]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/84201212</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/84201212</guid><author>Hym_eric</author><pubDate>Sun, 18 Nov 2018 15:49:44 +0800</pubDate><description><![CDATA[转：https://www.jianshu.com/p/aeb54ed224b3

1 Dataset API的导入

在TensorFlow 1.3中，Dataset API是放在contrib包中的：tf.contrib.data.Dataset

在TensorFlow 1.4中，Dataset API已经从contrib包中移除，变成了核心API的一员：tf.data.Dataset

下...]]></description><category></category></item><item><title><![CDATA[tensorflow：tf.GraphKeys]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/84200488</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/84200488</guid><author>Hym_eric</author><pubDate>Sun, 18 Nov 2018 15:22:20 +0800</pubDate><description><![CDATA[转：https://blog.youkuaiyun.com/hustqb/article/details/80398934

GraphKeys

tf.GraphKeys包含所有graph collection中的标准集合名，有点像Python里的build-in fuction。

首先要了解graph collection是什么。

graph collection

在官方教程——图和会话中，介绍什么...]]></description><category></category></item><item><title><![CDATA[tensorflow教程：collection，regularizer]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/84200061</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/84200061</guid><author>Hym_eric</author><pubDate>Sun, 18 Nov 2018 15:13:01 +0800</pubDate><description><![CDATA[转：https://www.cnblogs.com/linyuanzhou/p/6923607.html

tf.add_to_collection：把变量放入一个集合，把很多变量变成一个列表

tf.get_collection：从一个集合中取出全部变量，是一个列表

tf.add_n：把一个列表的东西都依次加起来

例如：

[python] 

 

import tensorflow as...]]></description><category></category></item><item><title><![CDATA[Tensorflow 跨平台部署问题系列]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/84193508</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/84193508</guid><author>Hym_eric</author><pubDate>Sat, 17 Nov 2018 22:03:12 +0800</pubDate><description><![CDATA[笔记 - TensorFlow模型的跨平台部署（一）

https://zhuanlan.zhihu.com/p/40140538

笔记 - TensorFlow模型的跨平台部署（二）

https://zhuanlan.zhihu.com/p/40226973

笔记 - TensorFlow模型的跨平台部署（三）

https://zhuanlan.zhihu.com/p/40261328
...]]></description><category></category></item><item><title><![CDATA[TensorFlow模型格式简介]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/84191409</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/84191409</guid><author>Hym_eric</author><pubDate>Sat, 17 Nov 2018 18:37:08 +0800</pubDate><description><![CDATA[参考：https://zhuanlan.zhihu.com/p/34471266

简介

TensorFlow的模型格式有很多种，针对不同场景可以使用不同的格式，只要符合规范的模型都可以轻易部署到在线服务或移动设备上，这里简单列举一下。

Checkpoint： 用于保存模型的权重，主要用于模型训练过程中参数的备份和模型训练热启动。
	GraphDef：用于保存模型的Graph，不包含模型权重，...]]></description><category></category></item><item><title><![CDATA[Tensorflow-Estimator-自定义估算器]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/84190097</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/84190097</guid><author>Hym_eric</author><pubDate>Sat, 17 Nov 2018 16:28:25 +0800</pubDate><description><![CDATA[转载：https://www.jianshu.com/p/5495f87107e7

这篇文章介绍自定义一个估算器（分类器）Estimator的完整流程。
请先参照鸢尾花iris案例并完成练习。

自定义Custom Estimator和预制Pre-made Estimator

在上面iris的案例中我们使用了tensorflow里面自带的深度神经网络分类器tf.estimator.DNNCla...]]></description><category></category></item><item><title><![CDATA[Learn Python 3：dict]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/84189365</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/84189365</guid><author>Hym_eric</author><pubDate>Sat, 17 Nov 2018 15:32:50 +0800</pubDate><description><![CDATA[【转载】

一、什么是字典

Python中，字典（dict）,是一系列放在{}的键值对（key-value）。可以使用键来访问对应的值，与键对应的值可以是数字、字符串、列表、字典，字典具有极快的查找速度。下边是一个与手机信息相关的dict：


{'os': 'Android', 'soc': 'Qualcomm', 'screen': 'Samsung'}


除了直接通过{}来创建字典，还可...]]></description><category></category></item><item><title><![CDATA[pandas.read_csv参数详解]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/84189150</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/84189150</guid><author>Hym_eric</author><pubDate>Sat, 17 Nov 2018 15:14:47 +0800</pubDate><description><![CDATA[转载：http://www.cnblogs.com/datablog/p/6127000.html

读取CSV（逗号分割）文件到DataFrame

也支持文件的部分导入和选择迭代

更多帮助参见：http://pandas.pydata.org/pandas-docs/stable/io.html

参数：

filepath_or_buffer : str，pathlib。str, path...]]></description><category></category></item><item><title><![CDATA[TensorFlow全新的数据读取方式：Dataset API入门教程]]></title><link>https://blog.youkuaiyun.com/Hym_eric/article/details/84188699</link><guid>https://blog.youkuaiyun.com/Hym_eric/article/details/84188699</guid><author>Hym_eric</author><pubDate>Sat, 17 Nov 2018 15:02:52 +0800</pubDate><description><![CDATA[zhuan知乎： https://zhuanlan.zhihu.com/p/30751039 发布于 2017-11-05

Dataset API是TensorFlow 1.3版本中引入的一个新的模块，主要服务于数据读取，构建输入数据的pipeline。

此前，在TensorFlow中读取数据一般有两种方法：

使用placeholder读内存中的数据
	使用queue读硬盘中的数据（关于这种...]]></description><category></category></item></channel></rss>