<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[cassiePython的专栏]]></title><description><![CDATA[编程小菜鸟新人报到]]></description><link>https://blog.youkuaiyun.com/cassiePython</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; cassiePython]]></copyright><item><title><![CDATA[空间金字塔池化(Spatial Pyramid Pooling, SPP)]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/99689343</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/99689343</guid><author>cassiePython</author><pubDate>Sat, 17 Aug 2019 10:27:40 +0800</pubDate><description><![CDATA[空间金字塔池化(Spatial Pyramid Pooling, SPP)
在SPPnet和Fast-CNN中都用到了空间金字塔池化(Spatial Pyramid Pooling, SPP)来提高object detection的效率。SPP本质的目的是为了使得CNN可以接受任意尺寸的输入图片，从而避免了图像预处理中要将图片resize到统一尺寸这个限制。
SPPnet论文中给出了如下的图示：
...]]></description><category></category></item><item><title><![CDATA[Category-level Adversaries for Semantics Consistent Domain Adaptation]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/96476643</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/96476643</guid><author>cassiePython</author><pubDate>Fri, 19 Jul 2019 11:05:51 +0800</pubDate><description><![CDATA[CVPR2019: Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation##
引言
PS. 来自于悉尼科技大学杨易老师团队一篇paper，CVPR2019的oral。主要是对domain adaptation带来语义的约束（Categor...]]></description><category></category></item><item><title><![CDATA[ICML2019: Learning Classifiers for Target Domain with Limited or No Labels]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/96443727</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/96443727</guid><author>cassiePython</author><pubDate>Thu, 18 Jul 2019 18:48:08 +0800</pubDate><description><![CDATA[ICML2019: Learning Classifiers for Target Domain with Limited or No Labels
引言
本文提出了一种视觉属性编码（visual attribute encoding）方式，将图片编码为低维度的概率向量。得到了图片对应的编码后我们就可以训练分类器进行分类，进一步地该方法可以应用到aomain adaptation（DA），few ...]]></description><category></category></item><item><title><![CDATA[ICML2019: Domain Agnostic Learning with Disentangled Representations]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/94456618</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/94456618</guid><author>cassiePython</author><pubDate>Tue, 02 Jul 2019 17:03:34 +0800</pubDate><description><![CDATA[ICML2019: Domain Agnostic Learning with Disentangled Representations
引言
目前的domain adaptation考虑了两种情况：single source &amp; single target（认为源域为一种分布，目标域为一种分布，进行adapt）; multi-souce &amp; single target（存在多个源...]]></description><category></category></item><item><title><![CDATA[Transferability vs. Discriminability: Batch Spectral Penalization for Adversarial Domain Adaptation]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/93739964</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/93739964</guid><author>cassiePython</author><pubDate>Wed, 26 Jun 2019 15:22:14 +0800</pubDate><description><![CDATA[ICML2019: Transferability vs. Discriminability: Batch Spectral Penalization for Adversarial Domain Adaptation
引言
对抗学习在domain adaptation中常用于adapt源域和目标域特征的分布差异性。 但是在使用对抗学习时，是否会影响到分类效果呢，即我们学到的特征是否依然能保证可区...]]></description><category></category></item><item><title><![CDATA[目标检测总结整理]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/81706441</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/81706441</guid><author>cassiePython</author><pubDate>Wed, 15 Aug 2018 16:27:29 +0800</pubDate><description><![CDATA[目标检测总结整理

接触过图像处理的童鞋，对于目标检测一定不陌生吧。目标检测可一直是计算机视觉和机器学习领域的热点。这篇文章主要是依据小编自己的学习体会，对目标检测的发展历程进行了总结。最初，目标检测算法是基于传统手工特征的；大约在2013年，基于深度学习的目标检测开始逐渐火起来，基于传统的手工特征的目标检测算法被逐渐抛弃；目前随着生成式对抗网络GAN的大热，基于GAN的目标检测也开始火起来了。
...]]></description><category></category></item><item><title><![CDATA[跨模态检索：带你领略图文检索的魅力]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/81706221</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/81706221</guid><author>cassiePython</author><pubDate>Wed, 15 Aug 2018 16:19:06 +0800</pubDate><description><![CDATA[跨模态检索：带你领略图文检索的魅力

引子

作为经常“百度一下”的众多网民中的一份子，我们经常使用百度，输入要搜索的关键词，来检索要想的文本信息，此时是使用文本来检索文本；有时我们又会使用百度图片检索的功能，上传图片来寻找相似的图片，此时是以图来检索图；但我们也经常使用文本来搜索相应的图片，此时我们输入信息的类型和获得的信息的类型就不同了，我们称之为“跨模态”。

简 介

来下个专业点的定义：...]]></description><category></category></item><item><title><![CDATA[通用人工智能：我们还有多远？]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/81705946</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/81705946</guid><author>cassiePython</author><pubDate>Wed, 15 Aug 2018 16:08:00 +0800</pubDate><description><![CDATA[通用人工智能：我们还有多远？

通用人工智能的提出已经成为近年研究的一个热点。微软全球执行副总裁、人工智能研发的总掌舵人沈向洋说：“单独做一个东西之后，今天有非常强的AI系统，比如Alphago在围棋上战胜柯洁。这些都非常了不起，开发系统的时候做出些非常了不起的技术，但今天没有人去想通用人工智能到底是什么，到底要多少的输入。”

我们一直梦想着有一个通用的模型，可以建模整个世界，使各种各样的问题都...]]></description><category></category></item><item><title><![CDATA[从佳佳到表情识别]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/81705846</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/81705846</guid><author>cassiePython</author><pubDate>Wed, 15 Aug 2018 16:03:06 +0800</pubDate><description><![CDATA[从佳佳到表情识别

佳佳机器人是中科大陈小平老师团队的作品，号称 “中国第一美女机器人”。今天我们以佳佳为基础，来谈一谈表情的识别。

首先有请“佳佳”自我介绍： 
“大家好，我是佳佳，身高1.6米，体重90多斤，是个可爱的萌妹子。我可以进行人机对话，进行握手等行为，说话的时候口型也会匹配，还可以根据与用户的交互来表现我的高兴或者沮丧等情感。我曾担任过2016“首届全球华人机器人春晚”和“谁是棋王...]]></description><category></category></item><item><title><![CDATA[CVPR：Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/80942899</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/80942899</guid><author>cassiePython</author><pubDate>Fri, 06 Jul 2018 16:24:53 +0800</pubDate><description><![CDATA[Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks



摘要

背景：图像到图像的迁移是计算机视觉中的一个很有意思的问题。目标是学习一个从输入图片到目标图片的映射，在训练中需要使用成对的训练集。

问题：成对的训练数据并不是那么容易获得的。

本文方法：学习一个从源域(source dom...]]></description><category></category></item><item><title><![CDATA[CVPR: Bilateral Ordinal Relevance Multi-instance Regression for Facial Action Unit Intensity]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/80922613</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/80922613</guid><author>cassiePython</author><pubDate>Thu, 05 Jul 2018 10:09:28 +0800</pubDate><description><![CDATA[Bilateral Ordinal Relevance Multi-instance Regression for Facial Action Unit Intensity Estimation



Abstract

问题：


捕捉面部表情的微小表化很困难；
AU强度的标注费时费力。


本文： 
提出弱监督的BORMIR模型：weakly supervised regression mod...]]></description><category></category></item><item><title><![CDATA[CVPR：Facial Expression Intensity Estimation Using Ordinal Information]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/80884945</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/80884945</guid><author>cassiePython</author><pubDate>Mon, 02 Jul 2018 15:23:07 +0800</pubDate><description><![CDATA[Facial Expression Intensity Estimation Using Ordinal Information



Abstract

先前工作不足之处：大都关注于基本的表情的识别，只有少部分工作关注连续的表情强度的检测。原因是缺乏有标记的表情强度的数据。 
本文工作：将表情的强度检测看成一个回归问题，通过利用面部表情的onset-apex-offset演化模型，本文的方法可以...]]></description><category></category></item><item><title><![CDATA[CVPR：Weakly-supervised Deep Convolutional Neural Network Learning for Facial Action Intensity Estima]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/80833635</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/80833635</guid><author>cassiePython</author><pubDate>Wed, 27 Jun 2018 18:55:19 +0800</pubDate><description><![CDATA[Weakly-supervised Deep Convolutional Neural Network Learning for Facial Action Intensity Estimation



Abstract

AU强度检测在情感计算和人机交互中有着重要的作用，实际上以及有很多工作利用CNN来进行AU强度的检测，但是都需要大量的标注数据。因此本文提出一个“基于知识的半监督的深度卷积神...]]></description><category></category></item><item><title><![CDATA[确定性跳跃循环状态网络(CRJ)教程]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/80701662</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/80701662</guid><author>cassiePython</author><pubDate>Fri, 15 Jun 2018 10:12:49 +0800</pubDate><description><![CDATA[确定性跳跃循环状态网络(CRJ)教程

本篇文章是上一篇文章回声状态网络(ESN)的延申，在阅读本文之前，希望您已经阅读了上一篇博文。

确定性跳跃循环状态网络(CRJ)是ESN的一个变种，如下图所示：



在CRJ中，中间节点通过单向的循环边和双向的跳跃边连接，所有的输入权重、循环权重、跳跃权重分别共享值ririr_i，rcrcr_c，rjrjr_j。特别地，输入权重的符号由某个无理数的小数展...]]></description><category></category></item><item><title><![CDATA[人工智能：从搜索角度来谈谈优化]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/80621853</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/80621853</guid><author>cassiePython</author><pubDate>Fri, 08 Jun 2018 13:20:14 +0800</pubDate><description><![CDATA[人工智能：从搜索角度来谈谈优化

我们先对优化问题进行描述，定义一个优化问题为： 
min&amp;nbsp;f(x)s.t.&amp;nbsp;&amp;nbsp;h(x)≤0min&amp;nbsp;f(x)s.t.&amp;nbsp;&amp;nbsp;h(x)≤0min~f(x) \\
s.t.~~h(x)\leq 0 
其中f(x)f(x)f(x)是目标函数，h(x)≤0h(x)≤0h(x)\leq 0是约束条件，对x的取值范围进行限...]]></description><category></category></item><item><title><![CDATA[Multi-channel Pose-aware Convolution Neural Networks for Multi-view Facial Expression Recognition]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/80538438</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/80538438</guid><author>cassiePython</author><pubDate>Fri, 01 Jun 2018 15:30:58 +0800</pubDate><description><![CDATA[Multi-channel Pose-aware Convolution Neural Networks for Multi-view Facial Expression Recognition



大体浏览

我们知道识别多角度的面部表情是比较困难的，本文提出Multi-channel Pose-aware Convolution Neural Networks（MPCNN）来充分利用有限的数...]]></description><category></category></item><item><title><![CDATA[回声状态网络(ESN)教程]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/80389394</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/80389394</guid><author>cassiePython</author><pubDate>Mon, 21 May 2018 11:03:03 +0800</pubDate><description><![CDATA[回声状态网络(ESN)教程


基础概念


回声状态网络(Echo State Network)提出于2001年，曾经是研究的热点，但近年来随着RNN，LSTM与其它一些变种的网络的出现，现在研究比较少了，但是其在时间序列预测上还有着很不错的应用。传统的MLP网络的隐层是一层层的全连接的神经元，而ESN引入了一个储备池计算模式来替代原始的隐层，这个储备池是什么呢？先来看下下图： 


网络结构依...]]></description><category></category></item><item><title><![CDATA[基于BoF算法的图像分类]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/80116082</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/80116082</guid><author>cassiePython</author><pubDate>Sat, 28 Apr 2018 09:27:51 +0800</pubDate><description><![CDATA[基于BoF算法的图像分类图像分类一直是计算机视觉中的一个重要问题，BoF(Bag of features)算法在图像分类中具有着重要的作用。本文旨在介绍BoF算法的基本原理和过程并且给出Python代码的实现：用于解决在Caltech 101数据库上的多分类问题。算法起源起源1：纹理识别纹理(texture)是由一些重复的纹理单元(texton)组成的，如图1所示。]]></description><category></category></item><item><title><![CDATA[Softmax函数及其导数]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/80089760</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/80089760</guid><author>cassiePython</author><pubDate>Thu, 26 Apr 2018 10:03:16 +0800</pubDate><description><![CDATA[Softmax函数及其导数本文翻译自The Softmax function and its derivative基础概念Softmax函数的输入是N维的随机真值向量，输出是另一个N维的真值向量， 
且值的范围是(0,1)(0,1)，和为1.0。即映射：S(a)=RN→RNS(\textbf{a})=\mathbb{R}^N\rightarrow \mathbb{R}^N： 
S(a):⎡⎣⎢⎢⎢a]]></description><category></category></item><item><title><![CDATA[主成分分析教程]]></title><link>https://blog.youkuaiyun.com/cassiePython/article/details/79881022</link><guid>https://blog.youkuaiyun.com/cassiePython/article/details/79881022</guid><author>cassiePython</author><pubDate>Tue, 10 Apr 2018 14:54:18 +0800</pubDate><description><![CDATA[主成分分析（PCA）可以说是目前数据分析的中流砥柱，然而总是将其作为一个黑箱使用却不理解其本质。在搜索相关资料时发现，网上大多数对于PCA的教程都摘自于一篇英文文献（https://datajobs.com/data-science-repo/PCA-Tutorial-[Shlens].pdf），本欲自己整理一下，但发现这篇文章写得非常nice，难以望其项背，所以特地翻译了这篇文献，和大家分享：下...]]></description><category></category></item></channel></rss>