<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Joy_moon的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Joy_moon</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Joy_moon]]></copyright><item><title><![CDATA[3.14周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/146263298</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/146263298</guid><author>Joy_moon</author><pubDate>Fri, 14 Mar 2025 21:29:13 +0800</pubDate><description><![CDATA[本周主要是在找双目视觉三维人体姿态估计方向的文章，这篇dual-diffusion，双目三维人体姿态估计的双扩散文章，引起了兴趣，作者从由于摄像机数量的减少，增加了3d重建的不确定性入手，然后使用了扩散模型，从不确定的噪声数据（各个视觉的二维姿态）恢复3d姿态。之所以叫做双扩散，作者将2D和3D的不确定性视为两个相互关联的噪声源，并通过以下步骤同时降低它们的不确定性：首先，模型对输入的2D姿态进行去噪处理。由于2D姿态的误差是3D误差的主要来源之一，通过减少2D姿态的噪声，可以间接降低3D姿态的不确定性。]]></description><category></category></item><item><title><![CDATA[第二十二周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/136609936</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/136609936</guid><author>Joy_moon</author><pubDate>Sun, 10 Mar 2024 21:50:04 +0800</pubDate><description><![CDATA[该方法由DetectNet、Root-Net和PoseNet组成。DetectNet检测输入图像中每个人的人类绑定框。RootNet从DetectNet上截取人的图像，并定位人的根R =(xR，yR，ZR)，其中xR和yR是像素坐标，ZR是绝对深度值。将相同的裁剪后的人体图像馈送到PoseNet，它估计根相对三维姿态Prelj = (xj, yj, Zjrel)，其中xj和yj是裁剪后的图像空间中的像素坐标，Zjrel是根相对深度值。]]></description><category></category></item><item><title><![CDATA[第二十一周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/136330991</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/136330991</guid><author>Joy_moon</author><pubDate>Sun, 03 Mar 2024 20:17:52 +0800</pubDate><description><![CDATA[大多数单人姿态估计网络可以被认为是由一个位姿encoder和位姿decoder组成，前者的目标是通过高低分辨率的过程提取高级特征。后者以基于检测的方式或基于回归的方式估计目标输出、2D/3D关键点位置或3D网格。多人来说，就分为自上而下和自下而上的方法，自上而下就是先把每个人从图中分出来，然后再分别进行姿态的估计，自下而上就是先把所有关键点给找出来，然后把它们分类给具体的每一个人（2d的应用：openpose）。数据集：应用最广泛的还是Human3.6M，但他也只是包含7个人的15项室内活动。]]></description><category></category></item><item><title><![CDATA[第十九周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/135847202</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/135847202</guid><author>Joy_moon</author><pubDate>Fri, 26 Jan 2024 15:11:30 +0800</pubDate><description><![CDATA[本周阅读了提出DeepHuman、PIFU、InterGAN的三篇文章，知道在3维人体重建中的比较主流的步骤；首先通过一些方法比如：SMPL等，先构建表面，然后另一个管道生成表面的纹理。最后两者综合生成出来最后的模型。作者提出了一种image-guided volume-to-volume translation进行单图真人三维重建的CNN算法。为了减少表面重建的模糊噪声（包含不可见区域重建，指相机视角看不见的地方），作者提出通过SMPL模型生成的密集语义作为输入。]]></description><category></category></item><item><title><![CDATA[十八周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/135698090</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/135698090</guid><author>Joy_moon</author><pubDate>Fri, 19 Jan 2024 23:14:54 +0800</pubDate><description><![CDATA[本周我找了一篇从单视图和多视图图像重建人体的综述文章；对目前3d人体重建的领域有了一点认识和了解，和之前接触的姿态估计上有很多区别，尤其是这篇综述，它专门挑选了与姿态估计有区分的文章进行整理和总结。学习python的基础。目前，技术的进步使生物医学领域受益匪浅，特别是在人体重建领域。3D重建在生物医学领域的一些主要好处集中在图像数据分析，其中 3D重建用于分析图像数据，以获得关于人体生理的更详细的信息。]]></description><category></category></item><item><title><![CDATA[python基础学习]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/135570631</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/135570631</guid><author>Joy_moon</author><pubDate>Mon, 15 Jan 2024 23:46:13 +0800</pubDate><description><![CDATA[缩⼩图像（或称为下采样（subsampled）或降采样（downsampled））的主要⽬的有两个：1、使得图像符合显⽰区域的⼤⼩；2、⽣成对应图像的缩略图。放⼤图像（或称为上采样（upsampling）或图像插值（interpolating））的主要⽬的是放⼤原图像,从⽽可以显⽰在更⾼分辨率的显⽰设备上。]]></description><category></category></item><item><title><![CDATA[第十七周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/135467617</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/135467617</guid><author>Joy_moon</author><pubDate>Fri, 12 Jan 2024 15:11:04 +0800</pubDate><description><![CDATA[本周看了三维人体重建的领域，看了一篇SMPL的文章：A Skinned Multi-Person Linear Model，提出的一种人体建模方法，该方法可以进行任意的人体建模和动画驱动。模型的参数从数据中学习，包括静止姿势模板、混合权重、姿势相关的混合变形、身份相关的混合变形以及从顶点到关节位置的回归。与以前的模型不同，姿势相关的混合变形是姿势旋转矩阵元素的线性函数。人体可以理解为是一个基础模型和在该模型基础上进行形变的总和，在形变基础上进行PCA，得到刻画形状的低维参数——形状参数（shape）；]]></description><category></category></item><item><title><![CDATA[第十六周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/135417751</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/135417751</guid><author>Joy_moon</author><pubDate>Sat, 06 Jan 2024 00:43:25 +0800</pubDate><description><![CDATA[对图的认识、再到GNN神经网络的初步认识，了解GNN发展的过程，模型的建立，应用。图及常见实例、图与其他类型数据的不同之处、构建了一个现代 GNN、可编辑的GNN模型可视化。图的结构和属性已经用来构建神经网络模块，图表就在我们身边；现实世界的对象通常是根据它们与其他事物的联系来定义的。一组对象以及它们之间的联系自然地表达为图形。十多年来，研究人员开发了对图数据进行操作的神经网络（称为图神经网络，或 GNN）。最近的发展提高了他们的能力和表达能力。]]></description><category></category></item><item><title><![CDATA[第十五周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/135288616</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/135288616</guid><author>Joy_moon</author><pubDate>Fri, 29 Dec 2023 15:11:53 +0800</pubDate><description><![CDATA[以上是我本周对LDA模型的理解和研究、及其在课程作业中的应用。目前对机器学习中数学方面的基础知识掌握不牢靠，在理解模型时感到相当吃力。]]></description><category></category></item><item><title><![CDATA[第十四周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/135135910</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/135135910</guid><author>Joy_moon</author><pubDate>Sun, 24 Dec 2023 21:55:09 +0800</pubDate><description><![CDATA[上周在那篇综述文章里，分视角和单视角去实现3d人体姿态估计。我就找了一篇多视角实现的人体估计的文章。使用openpose和评估3d无标记运动捕捉，然后我看了一篇使用openpose和评估3d无标记运动捕捉。然后我实在不懂这个openpose的原理，我就又去找了openpose的那篇文章。Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields再看。]]></description><category></category></item><item><title><![CDATA[第十三周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/135003871</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/135003871</guid><author>Joy_moon</author><pubDate>Sat, 16 Dec 2023 00:06:26 +0800</pubDate><description><![CDATA[本周下载human3.6M数据集时，发现有相机外参和内参的概念不懂，于是去补习了下相机成像模型的原理，然后根据上周学习的综述，在实现3dhpe的方法中，作者在经典实现方法中，又分了基于图形结构解决方法和以位姿结构为基础的时空解决方法。这是不同现在主流的基于各个深度学习模型的解决方法，因此我下载了一篇基于图形结构相关论文进行学习。在本文中，我们提出了一种新颖的基于视觉的方法来解决真实手术室中的临床医生检测和姿势估计问题。这种方法依靠 RGB-D 相机同时捕获的彩色和深度图像来应对上述操作环境的挑战。]]></description><category></category></item><item><title><![CDATA[第十二周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/134872755</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/134872755</guid><author>Joy_moon</author><pubDate>Fri, 08 Dec 2023 14:47:13 +0800</pubDate><description><![CDATA[本周开始学习三维人体姿态估计这个领域，在web of science上找一了一篇综述论文进行学习，认识到目前该领域的发展总趋势及对应分支的发展过程。我意识到需要了解和掌握该领域的相关文章及其算法、模型。目前来说，看文献感觉到比较吃力。在本文中，在三维人体姿态估计的最新进展首先，我们简要地介绍了这些发展的基础上的人数将所有的方法分为两大类，即单人三维人体姿态估计和多人三维人体姿态估计。然后，为了更具体地了解不同的解决方案，我们分别描述了经典解决方案和深度学习解决方案。]]></description><category></category></item><item><title><![CDATA[第十一周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/134729560</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/134729560</guid><author>Joy_moon</author><pubDate>Fri, 01 Dec 2023 14:54:49 +0800</pubDate><description><![CDATA[本周学习了分布式计算、使用多GPU训练情况及它与单GPU训练之间的比较，数据增广概念及应用的情况实例，和迁移学习中微调的技巧使用。本周没有学习新的模型，学习提高训练速度、精度的技巧，以及在数据集不够大的情况或者提高模型泛化能力的方法———数据增广。其余时间在复习周六考试的科目上。]]></description><category></category></item><item><title><![CDATA[第十周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/134592089</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/134592089</guid><author>Joy_moon</author><pubDate>Fri, 24 Nov 2023 14:59:28 +0800</pubDate><description><![CDATA[本周学习了ResNet网络设计思想的由来，解决了对应的梯度爆炸或消失的问题，并基于梯度计算的层面理解ResNet的作用。还学习了CPU和GPU、TPU有关深度学习硬件方面的知识，主要是了解了AI ASIC中systolic array实现矩阵乘法的算法。它是通过计算单元PE来实现的。本周学习时间较少，进行了组合数学的考试，剩下的时间也放在下周需要考试的科目上。]]></description><category></category></item><item><title><![CDATA[第九周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/134477303</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/134477303</guid><author>Joy_moon</author><pubDate>Sun, 19 Nov 2023 01:49:32 +0800</pubDate><description><![CDATA[本周学习了深度学习中NiN模型、GoogleLeNet模型，以及批量归一化(bn层)、残差网络。NiN模型是希望取消全连接层，减少需要学习的参数、提升训练的速度、减少计算。影响了GoogleLeNet模型；批量归一化是在对每次输入的数据之前或者刚经过卷积层出来之后的数据进行归一化处理，能够使其分布的更加均匀，使模型训练更加稳定，提高训练速度，残差网络通过设计跳跃连接的方式，解决了深度神经网络中出现的梯度消失和网络退化等问题，使得更深、更复杂的神经网络能够更好地训练和优化。]]></description><category></category></item><item><title><![CDATA[【无标题】]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/134461894</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/134461894</guid><author>Joy_moon</author><pubDate>Fri, 17 Nov 2023 14:58:38 +0800</pubDate><description><![CDATA[在LeNet  AlexNet VGG中，存在的问题就是全连接层的参数太大了。带来的问题就是存在过拟合的问题。NiN块一个卷积层后跟两个全连接层（1*1的卷积层），步幅是1，无填充，起到全连接层的作用。NiN架构最后没有全连接层，是增加了全局的平均池化层。]]></description><category></category></item><item><title><![CDATA[第八周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/134290430</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/134290430</guid><author>Joy_moon</author><pubDate>Sun, 12 Nov 2023 20:57:23 +0800</pubDate><description><![CDATA[本周在深度学习方面，对神经网络中卷积层、池化层的概念、以及LeNet、AlexNet、VGG主流模型进行了学习，在OPENCV方面，继续学习了canny边缘检测算法、以及各类算子的作用。对深度学习的学习终于到了卷积神经网络这一步，自己最开始不太理解这些模型设计、层数的应用是如何想出来的，后面知道神经网络的模型更多地还是通过不断实验检验训练效果从而推导出的，没有严格的数学证明，往往缺少可解释性，目前许多神经网络模型还是可以被称为黑盒模型。]]></description><category></category></item><item><title><![CDATA[第七周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/134150197</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/134150197</guid><author>Joy_moon</author><pubDate>Sun, 05 Nov 2023 21:10:43 +0800</pubDate><description><![CDATA[本周在深度学习方面，学习了权重衰退、丢弃法、数值稳定性等方面的相关知识，主要是去实现了一个关于Kaggle房价预测实例的模型，使用了之前所有学习到深度学习的各种方法，如何对数据集预处理、如何写激活函数、对模型进行训练、以及使用K折交叉验证来检验模型等操作。在OpenCV方面，学习了Canny边缘检测、图像金字塔的图像处理操作。深度学习方面的进展太慢，下周开始看各类神经网络的相关模型。代码实现上面，先不需要太仔细过，掌握原理、大概模块功能即可。]]></description><category></category></item><item><title><![CDATA[第六周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/133993866</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/133993866</guid><author>Joy_moon</author><pubDate>Sat, 28 Oct 2023 14:54:48 +0800</pubDate><description><![CDATA[数字图像处理]]></description><category></category></item><item><title><![CDATA[第五周周报]]></title><link>https://blog.youkuaiyun.com/Joy_moon/article/details/133966488</link><guid>https://blog.youkuaiyun.com/Joy_moon/article/details/133966488</guid><author>Joy_moon</author><pubDate>Sun, 22 Oct 2023 23:02:58 +0800</pubDate><description><![CDATA[本周使用softmax多分类回归对MNIST图片数据集进行了分类预测、感知机多类感知机的概念，与softmax回归的关系、用代码实现多层感知机的训练过程（不使用框架和使用框架），以及模型选择，其中遇到的过拟合和欠拟合的问题，并用代码实现一个（一项多项式、三次多项式、十九次多项式）多项式拟合来表现过拟合、欠拟合的问题。]]></description><category></category></item></channel></rss>