专注于机器学习，深度学习，人脸识别领域。

为了做计算机视觉课程的大作业，比如说harris detection这些作业。我学习了一下matlab的用法，其实主要就是各种函数的使用。 下面开始正式的学习。imread 函数imread用于读取图片文件中的数据。 调用格式：imgRgb = imread(‘e.bmp’);A = imread(filename,fmt) [X,map] = imread(filename,fmt)

山世光组在2016年9月发布了人脸识别代码SeetaFaceEngine。为了了解他们的代码，我尝试去创建工程。在这个过程中，发现要生成并使用dll。于是在网上查找资料。现在把工程的详细配置说明如下。首先下载代码：[https://github.com/seetaface/SeetaFaceEngine]发现里面有三个不同功能的模块，face detection，face alignment，fa

想象一副图像尺寸为MxM，卷积核mxm。在计算时，卷积核与图像中每个mxm大小的图像块做element-wise相乘，相当于把该mxm图像块提取出来，表示成一个长度为m^2的列，共有多少个这种图像块？在不考虑pad和stride的情况下，一共有(M-m+1)^2个，把这么些个图像块均表示为m^2的列，然后组合为一个大矩阵(m^2 x (M-m+1)^2)。这里的操作就是img2col中做的事，mat

转载自caffecn我很想详细讲一下的，然而自己才疏学浅，学艺不精，只能大概讲讲，就当抛砖引玉了(⊙v⊙)很多人建议caffe从四个层次来理解：Blob、Layer、Net、Solver，和题主的问题还挺match的1.Blob Blob是caffe基本的数据结构，用四维矩阵 Batch×Channel×Height×Weight表示，存储了网络的神经元激活值和网络参数，以及相应的梯度（激活值的残

输入： bottom[0]: NxKx1x1维，N为样本个数，K为类别数。是预测值。 bottom[1]: Nx1x1x1维， N为样本个数，类别为K时，每个元素的取值范围为[0,1,2,…,K-1]。是groundTruth。输出： top[0]: 1x1x1x1维， 求得是hingeLoss。关于HingeLoss： p: 范数，默认是L1范数，可以在配置中设置为L1或者L2

caffe加自己的层需要以下步骤： 以添加《Hard-Aware-Deeply-Cascaded-Embedding》论文代码为例这里写链接内容1.修改 caffe_root/caffe/src/caffe/proto 里面的 caffe.proto1⃣️ 添加optional PairFastLossParameter pair_fast_loss_param=147;//LayerParam

今天看了一下centerloss 源码 ，觉得还是挺值得借鉴的，所以分享一下。 centerloss主要在caffe的基础上加了三项。一. caffe.proto1.加proto 格式 的 ID号1472.加proto格式的定义 这里面的参数都是层的参数，也是超参，在prototxt中赋值。 axis是默认为1的。二.加入hpp 文件到include/caffe/layers/ ,主要包含