目录简介一、InsightFace介绍 二、安装三、快速体验四、代码实战1、人脸检测 2、人脸识别简介目前github有非常多的人脸识别开源项目，下面列出几个常用的开源项目：1、deepface2、CompreFace3、face_recognition4、insightface5、facenet6、facenet-pytorch开源的人脸检测项目非常多，本文介绍一下insig
转载
2024-08-30 12:43:38
725阅读
Dlib是一个现代的C ++工具包，包含机器学习算法和工具，用于在C ++中创建复杂的软件来解决实际问题。它广泛应用于工业界和学术界，包括机器人，嵌入式设备，移动电话和大型高性能计算环境。Dlib的开源许可 允许您在任何应用程序中免费使用它Dlib可以使用pip install来安装或者到官网下载dlib-19.8.1-cp36-cp36m-win_amd64.whl来安装(到官网下载最新的whl
近期为了预研车载场景本地FACE ID人脸识别功能，研究了市场上的一些主流方案，对比之后，整理了包含详细的实施步骤的预研方案，让对车载人脸识别功能不熟悉的同学，可以少走弯路，也让自己对车载人脸识别的功能理解更加透彻。
概述：人工智能产品延伸人工智能代表着新一代技术宅的崛起，而人脸识别更是一大热门领域，近期商汤IPO折戟事件标志着人工智能概念的降温。当然在当今社会，FACE
。1 概念人脸识别任务分为 人脸验证(1:1，Face Verification)和 人脸识别(1:N，Face Recognition) 两种。人脸验证是给定一对图像，判定是否是同一个人；人脸识别是给定一张图像，判断其是图像底库中的谁。性能度量需要三个数据集，分别是：底库数据集 G(gallary);测试集p_G，由属于G中的人员的且与G已包含的不同的图像组成 (库内人员的测试图像)
转载
2024-03-19 13:12:10
199阅读
一、前言
这部分主要讲训练数据的制作。一是我们直接采用作者提供好的数据集，二就是制作我们自己所需要的数据集。
目录地址：insightface人脸识别代码记录(总)(基于MXNet)二、主要内容
1、首先，我们来提供作者的数据集。
这是作者提供的地址：https://github.com/deepinsight/insightface/wiki/Dataset-Zoo
比较推荐的是MS1M-Arc
设备说明:本设备使用具有两个usart串口的stc12c5a60s2作为MCU主控，SNR3512作为语音识别模块，JQC80作为语音模块，esp8266作为联网模块。本设备可以实现非特定人声的语音识别，并且在识别之后进行自动联网获取目标城市的时间和未来七天的温度。在本装置中，可以在上电之后按下key1或者呼叫"小星，小星"启动SNR3512模块，之后呼叫"启动引擎"，开启联网。联网成功后自动播放
转载
2024-07-17 07:08:47
87阅读
目录1、作业简介1.1、问题描述 1.2、预期解决方案1.3、数据集1.4、部分数据展示2、数据预处理2.1、数据集结构2.2、数据集的探索性分析2.3、图像数据的预处理2.4、标签数据的预处理2.5、使用 DataLoader 加载数据3、ResNet50模型3.1、ResNet50的网络结构及其中间的维度变换3.2、通过导包直接使用ResNet503.3、用Resnet50进行训练（
转载
2024-06-27 06:35:03
128阅读
1 深度残差网络 随着CNN的不断发展，为了获取深层次的特征，卷积的层数也越来越多。一开始的 LeNet 网络只有 5 层，接着 AlexNet 为 8 层，后来 VggNet 网络包含了 19 层，GoogleNet 已经有了 22 层。但仅仅通过增加网络层数的方法，来增强网络的学习能力的方法并不总是可行的，因为网络层数到达一定的深度之后，再增加网络层数，那么网络就会出现随机梯度消失的问题，也会
转载
2024-03-15 05:27:31
300阅读
1. 人脸识别和人脸检测概念人脸识别（Face Recognition）是基于人的脸部特征信息进行身份识别的一种生物识别技术。说简单点，人脸识别解决“这是谁的脸”问题。人脸检测（Face Detection）是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回脸的位置、大小和姿态. 说简单点，人脸检测解决“是不是人脸”的问题。人脸检测的任务就是判断给定的图像上
摘要：承接上一篇LeNet网络模型的图像分类实践，本次我们再来认识一个新的网络模型：ResNet-50。不同网络模型之间的主要区别是神经网络层的深度和层与层之间的连接方式，正文内容我们就分析下使用ResNet-50进行图像分类有什么神奇之处，以下操作使用MindSpore框架实现。1.网络：ResNet-50对于类似LeNet网络模型深度较小并且参数也较少，训练起来会相对简单，也很难会出现梯度消失
转载
2024-03-15 16:07:22
399阅读
摘要：resnet神经网络原理详解resnet为何由来：resnet网络模型解释resnet50具体应用代码详解：keras实现resnet50版本一：keras实现resnet50版本二：参考文献：摘要：卷积神经网络由两个非常简单的元素组成，即卷积层和池化层。尽管这种模型的组合方式很简单，但是对于任何特定的计算机视觉问题，可以采
转载
2024-04-28 15:59:50
223阅读
最开始接触到这个ResNet的时候是在看deeplab2的论文的时候，里面用到的是Res101，对于习惯了使用VGG16来作为基本框架的我对于这个101层的网络自然是充满着无比的敬意呀，哈哈。ResNet在各个方面的表现都很优异，他的作者何凯明博士也因此摘得CVPR2016最佳论文奖。我认为VGG16是在AlexNet的基础上加深了网络层次从而获得了优异的结果，就理论上来说，ResNe
在看本文之前，请下载对应的代码作为参考：pytorch/vision/detection/faster_rcnn。总体结构花了点时间把整个代码架构理了理，画了如下这张图： (*) 假设原始图片大小是599x900主体部分分为这几大部分：Transform，主要是对输入图像进行转换Resnet-50，主干网，主要是特征提取FPN，主要用于构建特征金字塔给RPN提供输入特征图RPN，主要是产生regi
转载
2024-03-15 08:23:55
295阅读
pytorch fasterrcnn-resnet50-fpn 神经网络 目标识别 应用 —— 推理识别代码讲解（开源）项目地址二、推理识别代码讲解1、加载模型1）加载网络结构2）加载权重文件3）model状态配置2、图片推理推理——最最最关键的环节到了！boxes:labels:scores:boxes labels scores 是按照顺序对应的3、推理结果转换完整代码 项目地址完整代码放在
转载
2024-08-22 11:42:13
260阅读
ssd模型图示模型原理ssd主要的思想是以cnn做为特征提取网络，例如以resnet50做为提取网络，删除掉resnet后面的全连接层，再增添几层额外的卷基层提取特征，得到不同尺度的特征图，然后我们让这些不同层次的特征图分别预测不同大小的目标，浅层卷积层提取到的是比较细小的特征，越深层的卷积提取到的信息会越丰富，因此我们让浅层的卷积特征图去检测小的目标，让深层的卷积特征图去检测大的目标。 还是直接
转载
2024-04-01 06:16:59
189阅读
本文主要针对ResNet-50对深度残差网络进行一个理解和分析 ResNet已经被广泛运用于各种特征提取应用中，当深度学习网络层数越深时，理论上表达能力会更强，但是CNN网络达到一定的深度后，再加深，分类性能不会提高，而是会导致网络收敛更缓慢，准确率也随着降低，即使把数据集增大，解决过拟合的问题，分类性能和准确度也不会提高。Kaiming大神等人发现残差网络能够解决这一问题。这里首先放上一张Res
转载
2024-01-02 12:38:55
226阅读
论文：Deep-FSMN for Large Vocabulary Continuous Speech Recognition思想： 对于大词汇量语音识别，往往需要更深的网络结构，但是当FSMN[1]或cFSMN[2]的结构很深时容易引发剃度消失和爆炸问题；于是本文对cFSMN结构进一步改进，对序列记忆模块之间引入skip-connection,保证信息在更深的层之间传播，缓解剃度消失和爆炸的问
文章目录1 查看原数据2 数据预处理，建立Dataset设定图像增广的方法创建数据集Dataset类预览训练集和验证集3 定义和初始化模型4 设置训练集和测试集5 训练6 模型存储7 验证数据，上传读取验证集定义预测函数，预测简单的技术点总结 这是一个动手学深度学习原课程的一个比赛项目（狗的品种识别）。课程的地址。 自己顺便记录一下这个项目自己的实现流程和思考，以巩固熟悉关于图片分类项目的整个流
Tensorflow2.0 SSD网络分析 上图是SSD网络结构 前面是主干卷积部分（vgg16 也可以换成rest50 效果更佳） 后面是回归预测部分import tensorflow as tf
from core.models.resnet import ResNet50
from configuration import NUM_CLASSES, ASPECT_RATIOS
class
转载
2024-08-21 10:16:38
32阅读
计算机视觉(Compute Vision，CV)给计算机装上了“眼睛”，让计算机像人类一样也有“视觉”能力，能够“看”懂图片里的内容。作为深度学习领域的最重要的应用场景之一，在手机拍照、智能安防、自动驾驶等场景均有广泛的应用。同时也出现了一批经典的网络，如AlexNet、ResNet等。本文以典型的图片分类网络ResNet50为例，介绍一下如何使用MindSpore来完成一个CV应用的开
转载
2024-05-09 09:42:48
101阅读
