墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
564平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
各位同学，8.27日晚我们联合机械工业出版社在九州直播平台推出了直播，主题是《人脸图像算法及其应用》，下面是本次直播的回放和技术要点。。
直播内容
本次直播的主题是《人脸图像算法及其应用》，分为4个部分，下面是目录。
(1) 人脸图像相关产品，简介现有的软硬件产品。
(2) 人脸图像算法研究方向，简介当前人脸各领域的核心算法和应用。
(3) 人脸图像算法未来的重点方向，简介未来人脸研究和应用的重点。
(4) 学习资料推荐。
整个直播过程和回放如下：
点击边框调出视频工具条
喜欢在B站阅读的，也可以移步有三AI的B站主页，视频进行了同步。
配套资源
未来让大家能够彻底地掌握好人脸图像，有三给大家准备了非常丰富的学习资料，包括。
(1) 书籍《深度学习之人脸图像》以及配套资料，详细了解请阅读。
(2) 有三AI知识星球-网络结构1000变人脸板块，包括各类任务和数据集。
(3) 有三AI秋季划人脸组，系统性地进行实战，并可以长期参与学习和交流。
【通知】如何让你的2020年秋招CV项目经历更加硬核，可深入学习有三秋季划4大领域32个方向
往期相关
双屏DPI缩放问题全解析：从原理到实战解决窗口大小突变
DPI（每英寸点数）缩放是现代操作系统在多显示器环境下实现界面适配的核心技术。其原理是通过虚拟分辨率映射，在不同物理像素密度的屏幕上维持一致的视觉尺寸。这项技术的价值在于解决了高分辨率屏幕显示内容过小的问题，保障了跨屏工作流的视觉连续性。然而，在混合DPI环境（如4K屏与1080p屏组合）中，显卡驱动逻辑与应用程序DPI感知的协同问题，常导致窗口跨屏时出现剧烈缩放、尺寸错乱。这直接影响多屏办公、设计协作等需要频繁拖拽窗口的应用场景。本文聚焦于**显卡驱动**配置与**应用程序兼容性**设置，提供一套从系统底
图像技术在直播中怎么用
该分享系列整理自涂图CTO在架构师沙龙上的演讲内容。 一、技术框架 爱美之心，人皆有之。早期的图片美颜教育了市场，到了直播时代，美颜同样成为直播平台的标配。就目前来说，直播美颜用的主流技术是OpenGL ES。它的好处首先是直接在GPU上运行的，所以性能高、功耗小，用在直播上比较划算。第二，它是跨平台的，iOS和安卓都支持，美颜效果能够直接在这两个平台上达到跨平台的效果。另外OpenG
数字信号的艺术演绎：用FPGA+DAC实现音乐合成器的核心原理
本文深入探讨了如何利用FPGA和DAC技术实现数字音乐合成器的核心原理，涵盖DDS架构、多波形合成、MIDI协议解析及动态包络控制等关键技术。通过详细的Verilog代码示例和硬件实现方案，展示了数字信号处理在音乐合成中的艺术演绎，为电子音乐创作提供了强大的硬件支持。
5种最著名的人脸识别算法和关键特征介绍
人脸识别算法是任何人脸检测和识别系统或软件的基础组件。专家将这些算法分为两种核心方法：几何方法侧重于区分特征，光度统计方法用于从图像中提取值。 然后将这些值与模板进行比较以消除差异。 这些算法还可以分为两个更一般的类别——基于特征的模型和整体模型。前者侧重于面部标志并分析它们的空间参数和与其他特征的相关性，而整体方法将人脸视为一个整体。 人工神经网络是图像识别中最流行和最成功的方法。人脸识别算法基于数学计算，神经网络同时执行大量数学运算。 这些算法执行三个主要任务：检测图像、视频或实时流中的人脸；计
从原始数据到农学模型：DJI M3M/P4M多光谱影像全链路处理实战
本文详细介绍了使用DJI M3M/P4M多光谱无人机进行农学建模的全链路流程。核心在于强调辐射标定的首要性，它将原始DN值转换为具有物理意义的反射率，是确保后续植被指数计算与模型反演准确性的基石。文章通过大疆智图和Pix4Dfields的实战演示，手把手指导完成数据处理、影像镶嵌及光谱信息提取，最终构建从光谱指数到叶面积指数等关键农学参数的反演模型，实现精准农业分析。
安装keil软件时安装不了芯片包怎么回事？芯片包安装路径放在Keill里的packs下面，弹框提示报错：Errors retumned from cpackget...如何解决？
🏆本文收录于 《全栈 Bug 调优（实战版）》 专栏。专栏聚焦真实项目中的各类疑难 Bug，从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解，形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者，还是负责复杂项目的资深工程师，都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论，助你稳步进阶、放大技术价值 。
【通知】深度学习之人脸图像算法核心代码开源和勘误汇总
许多同学早就在问人脸图像的书什么时候代码开源，8月底我们如约而至，今天开源核心的代码以及对第一次印刷的勘误汇总。代码开源本次跟之前的两本书一样，代码开源在我们官方的GitHub项目中，按...
机器学习算法原理：详细介绍各种机器学习算法的原理、优缺点和适用场景
现在，我们将进入到机器学习的核心部分——算法原理。在本篇文章中，我们将详细探讨各种机器学习算法的原理、优缺点和适用场景。
开源最好的人脸识别算法_【通知】深度学习之人脸图像算法核心代码开源和勘误汇总...
许多同学早就在问人脸图像的书什么时候代码开源，8月底我们如约而至，今天开源核心的代码以及对第一次印刷的勘误汇总。代码开源本次跟之前的两本书一样，代码开源在我们官方的GitHub项目中，按照有实战部分的章节进行开源。其中参考了开源项目的代码，会在对应章节的readme.txt中给出项目的链接，请大家配合书中代码说明进行实践，其中部分代码的使用与开源项目有所不同。而书中原创的代码，会给出模型配置文件和...
【StreamSet】ETL之StreamSet之Pipelines的状态监听之WebHook钉钉篇
介绍下StreamSets的状态监听以及钉钉的webhook的互联，这位博友问的恰是时候，不久前我刚刚对接过钉钉的机器人，这次看到这个问题，对我来说，应该轻车熟路了，那就有了这篇博文，状态监听之钉钉篇。...
一文吃透 SAP IDoc 状态码：从 TEDS1 到 WE02 排障，再到 ABAP 自动化监控
在 SAP 集成场景里，IDoc 往往是最常见、也最容易被低估的一条生命线：采购订单、发票、主数据、库存移动……只要系统之间要稳定地交换结构化业务数据，IDoc 就经常登场。真正让人头疼的，并不是 IDoc 本身，而是它在链路里到底走到了哪一步、卡在了哪里、该找谁背锅。这篇文章把常用的 IDoc 状态码按出站、入站拆开讲清楚，并且把每个状态对应的真实世界故障现象、排查入口、以及可以落地的 ABAP 监控代码串起来，让你看到状态码就能想到动作。
【通知】深度学习之人脸图像算法重印，欢迎读者支持！
2020年7月份有三出版了《深度学习之人脸图像处理：核心算法与案例实践》，这是一本讲述在人脸各个方向中的深度学习算法为主的书籍，同时配套有大量实战案例，至今已经快一年了，历时一年终于也要重...
Sigrity System Explorer Transient Analysis模式进行瞬态仿真分析操作指导-单端信号-串联端接
Sigrity System Explorer Transient Analysis模式可以用于瞬态仿真分析，通过搭建简易拓扑用于前仿真分析通道的时域性能，下面搭建一个简易的单端拓扑并且进行串联端接，以下图为例，准备好发送接收端的IBIS模型, (se_example.ibs，本例发送接收端都使用相同的IBIS模型)，以及传输线的S参数模型(W1_welement_se.sp)最上方的图形界面是传输线的模型，本例是一个上下都有参考平面的带状线，右侧的梯形是蚀刻角度，根据W1和W2以及铜厚来确定。
【百家稷学】图像识别，模型设计，人脸图像，摄影图像直播回放与资料下载（有三的书直播分享）...
继续咱们百家稷学专题，本次汇总有三AI联合出版社等各个平台分享的有关言有三的4本书相关的直播回放与资料下载，百家稷学的目标，是走进100所高校和企业进行学习和分享。深度学习之图像识别本次主...
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
【总结】超1000页有三AI文档资源领取方法汇总！
这几年我们平台输出了很多内容，有免费的也有付费的，有图文也有视频，本次对我们所有文档类资源领取方法做一个汇总。由于公众号分享资源经常会面临失效的问题，因此我们将所有文档资源放置在了有三AI...
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
【CV春季划】170分钟学习OpenCV与经典图像处理算法基础
本次给大家带来的是有三AI-CV春季划组OpenCV与经典图像处理算法的直播回放，如果你还不知道有三AI-CV春季划是什么，可以看下面的视频和图文。点击边框调出视频工具条【CV春季划】言...
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
【直播课】6小时教你掌握轻量级网络，在安卓部署第一个深度学习模型
前言想要设计自己的神经网络，却不知道如何下手完成搭建？想获得更高的任务指标吗？想获得更快的运行速度吗？想获得更小的模型体积吗？想获得稳定可靠的性能吗？跑通了经典模型却不知道模型结构是什么样...
【视频课】模型剪枝+模型量化+知识蒸馏典型实践！
前言欢迎大家关注有三AI的视频课程系列，我们的视频课程系列共分为5层境界，内容和学习路线图如下：第1层：掌握学习算法必要的预备知识，包括Python编程，深度学习基础，数据使用，框架使用。...
【总结】最专业最系统的CV内容，有三AI所有免费与付费的计算机视觉课程汇总（2022年7月）...
欢迎大家关注有三AI的计算机视觉课程系列，我们的课程系列共分为5层境界，内容和学习路线图如下：第1层：掌握学习算法必要的预备知识，包括Python编程，深度学习基础，数据使用，框架使用等。第2层：掌握CV算法最底层的能力，包括模型设计基础，图像分类等。第3层：掌握CV算法最核心的方向，包括图像分割，目标检测，图像生成，视频分类等。第4层：掌握CV算法最核心的应用，包括人脸...
视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界
在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。
把 KV Cache 压到 FP4：BitDecoding-FP4 的算法-系统协同设计复盘
长上下文推理卡在KV Cache的显存与带宽上，而现有FP4方案要么精度崩、要么速度废。这篇文章复盘BitDecoding-FP4如何用三个算法补丁加一个系统重构，在B300上把服务吞吐提升2.4–3.0倍，精度几乎不掉。
【算法拾光】链表 哈希表｜K个一组翻转链表 + 两数之和
K个一组翻转链表需分段反转，借助哑节点与前驱指针维护连接，避免断链；两数之和利用哈希表实现O(1)查找，空间换时间，高效定位目标组合。前者考察链表指针操作，后者聚焦映射关系构建，均为面试高频题。
排序算法深度笔记（下）：非比较类排序的线性突破与工程边界
排序算法时间复杂度额外空间复杂度稳定性是否基于比较选择排序O(N^2)(O(1))不稳定是冒泡排序O(N^2)(O(1))稳定是插入排序O(N^2)(O(1))稳定是归并排序O(N\log N)(O(N))稳定是快速排序O(N\log N)O(log N)不稳定是堆排序O(N\log N)O(1)不稳定是计数排序(O(N + M))O(M))稳定否基数排序O(N)稳定否桶排序平均O(N) / 最坏O(N^2)
优选算法：分治-归并排序
交易逆序对的总数
算法日常・每日刷题--＜动态规划＞42
本题为“不相交的线”，与最长公共子序列问题相似。使用动态规划求解：定义 dp[i][j] 表示 nums1[0:i] 与 nums2[0:j] 的最大不相交连线数。若元素相等，则继承左上值加1；否则取上方或左方最大值。最终返回 dp[m][n]，即两数组的最大不相交连线数。时间复杂度 O(mn)，空间复杂度 O(mn)。
408 算法 06｜堆与 Top-K：最小的 10 个数，到底该用数组还是堆
2022(42) 找 100 万个数里最小的 10 个，官方给了"10 元素有序数组"和"大根堆"两种答案。我把两种都实现并数了比较次数：k=10 时两者几乎打平，k=10000 时堆少 111 倍。另附 2021(42) 计数排序的比较次数与稳定性实测。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
388
扫一扫
