XZZPPP的博客

卷积是卷积神经网络的重要组成部分，消耗整个网络中大量计算资源，理解卷积计算过程，对优化网络结构和简化网络模型非常重要。       正常卷积的实现如下图所示：        非常重要的是：卷积核其实和特征图一样，是一个三维矩阵，这点需要注意。       上图是一个典型的卷积过程。第一列是一个7*7*3的特征图；第二列是第一个卷积核，大小为3*3*3；第三列是第二个卷积核，

测试代码：https://github.com/luoyetx/mini-caffe/tree/master          （example中deeplandmark例子）训练代码：https://github.com/luoyetx/deep-landmark测试代码的配置参考：http://blog.youkuaiyun.com/xzzppp/article/details/68495

开展一个新的领域研究，研究思路大致如下：     1，调研公开的基准数据集，如人脸检测的fddb，人脸关键点检测的300W，对比分靠前的文章进行研究（一开始主要关注：速度，精度两个指标），了解该领域在精度和速度情况；     2，对比分排名较高的文章进行仔细研究，并调研该文章引用的文章（选取效果较好的方法，效果一般和较差的不研究），了解这些方法在公开数据集上的表现，并研究方法。    

一、读取300W数据集中测试数据集pts标注文件，在原图中显示68个人脸关键点。https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/#include #include #include using namespace cv;using namespace std;int main(){

一、人脸关键点检测数据库（2001年发布）BioID ：约1000幅图像,每个人脸标定20个关键点。https://www.bioid.com/About/BioID-Face-Database（2011年发布）LFPW：1132幅图像,每个人脸标定29个关键点http://neerajkumar.org/databases/lfpw/（2011年发布）AFLW

笔者之前在训练caffemodel的时候，都是先设置好一个网络模型，然后再在命令行中输入训练执行命令比如（linux中）：./build/tools/caffe train --solver=examples/mydata/huihua_dongfang/mynetV2/solver.prototxt后来发现写一个批处理程序，可以一下子处理很多个网络模型，非常简单高效，能将自己从简单劳动

基于原作者提供的python版本MTCNN修改，开源地址：https://github.com/DuinoDu/mtcnn我们的o-net训练代码参考如下开源项目：https://github.com/dlunion/mtcnn并做了适当修改参考：http://blog.youkuaiyun.com/xzzppp/article/details/76467514将我们训练的模型级联在作者提