- 移动端unet人像分割模型--1
xiexiecn
移动端神经网络深度学习mxnetncnnunet
个人对移动端神经网络开发一直饶有兴致。去年腾讯开源了NCNN框架之后,一直都在关注。近期成功利用别人训练好的mtcnn和mobilefacenet模型制作了一个ios版本人脸识别swift版本demo。希望maskrcnn移植到ncnn,在手机端实现一些有趣的应用。因为unet模型比较简单,干脆就从这个入手。基本的网络基于keras版本:https://github.com/TianzhongSo
- 海思NNIE Hi3559量化部署Mobilefacenet与RetinaFace
孤鸥111
Hi3559A神经网络深度学习人脸识别
目录海思NNIEHi3559量化部署Mobileface模型环境介绍前言准备工作1、完成RuyiStudio的安装2、下载模型、数据集NNIE量化1、创建工程2、配置cfg文件并生成仿真wk3、中间层结果对比验证4、生成instWK板上运行代码附录海思NNIEHi3559量化部署Retinaface模型环境介绍Retinaface介绍NNIE量化工作cfg文件配置向量对比结果板上运行海思NNIEH
- InsightFace: 2D和3D人脸分析项目
神罗Noctis
人脸识别
深度人脸识别介绍在这个知识库中,我们提供了用于深度人脸识别的训练数据集、网络设置和损失设计。训练数据集包括已标准化的MS1M、VGG2和CASIA-Webface数据集,这些数据集已经打包为MXNet二进制格式。网络的backbones包括ResNet、MobilefaceNet、MobileNet、InceptionResNet_v2、DenseNet、DPN。损失函数包括Softmax、Sph
- 海思开发:mobilefacenet 模型: pytorch -> onnx -> caffe -> nnie
tang-shopping
海思部署教训与总结经验记录深度学习神经网络caffepytorchonnx
一、前言最近有空,把之前的项目梳理记录一下,惠已惠人。我的demo代码二、详情人脸模型是在pytorch下训练的,工程文件用的是这个:MobileFaceNet_Tutorial_Pytorch训练完成之后,先转为onnx模型并做简化,代码如下:defexport_onnx():importonnxparser=argparse.ArgumentParser()#parser.add_argume
- 开源人脸识别项目insightface_pytorch
我是谁??
人工智能insightfacepytorch人脸识别
insightface_pytorch主要做了以下几个方面的工作:*使用的相关算法人脸检测:由原来的retina改成了MTCNN,准确度差了不少人脸对齐:由原来的DenseU-Net改成了MTCNN人脸识别:当前可以支持mobilefacenet和resnet50-irse两种*提供了一个demo用于实现人脸实时识别*提供了数据转换模块,用于将MXNET数据格式的数据转换成pytorch支持的Im
- Pytorch模型转onnx、caffe、TorchScript通用代码,onnx模型推理
songlixiangaibin
深度学习pytorch
前言训练好的模型需要移植到ncnn、mnn、tensorrt、tnn、openvino等前向推理框架上部署一、模型转onnx不管是tensorflow、pytorch、mxnet部署时移植到目标框架,那么先将模型转成onnx这个中间商,再转成目标框架或NPU是明智的选择。二、使用步骤1.转成onnx示例代码model=MobileFaceNet()model.load_state_dict(tor
- 深度学习-MobileFaceNet网络结构详解
INFINALGEORGE
深度学习深度学习神经网络tensorflow
MobileNet可分离卷积(Depthwiseseparableconv):可分离卷积可以减少参数量与计算量:例如输入是1001003,普通卷积采用33352的卷积核,输出为10010052,参数量为33352=1404使用深度分离卷积,第一步是采用333的卷积核,输出各个通道不相加,仍然为3通道,第二步采用113*52的卷积核,输出相同,参数量为27+156=183,参数量减少MobileNe
- pytorch学习率调整
Lavi_qq_2910138025
pytorch
参考MobileFaceNet_Pytorch中的train.py文件参考InsightFace_Pytorch中的train.py,Learner.py文件
- MobileFaceNets
ChengLaun
案例:人脸期刊论文解读/翻译
在mobilenet中,作者用mobilenet替换了facenet的inception,进行提取人脸特征。作者:Fire_Light_原文:https://blog.csdn.net/Fire_Light_/article/details/80279342正文mobilefacenet其实是mobilenetV2的改进版本,主要改进之处有以下几个地方:1.针对平均池化层,许多研究表明,使用平均池
- 【人脸识别】AirFace:Lightweight and Efficinet Model for Face Recognition
猫猫与橙子
论文分享人脸识别
论文链接:https://arxiv.org/abs/1907.12256作者提出该方法的动机:在使用MobileFaceNet从头训练使用ArcFaceloss,使用小的输入尺寸,模型难以拟合(所以作者提出了Li-ArcFace);为人脸识别设计的小网络较少;论文的贡献:基于ArcFaceloss提出了Air-Faceloss改进了MobileFace网络结构;引入了注意力机制CBAM;使用蒸馏
- retinaface人脸对齐
ShellCollector
python
https://github.com/foamliu/MobileFaceNet-PyTorchdefalign_face(sample):facial5points=sample['landmarks']raw=sample['img']facial5points=np.reshape(facial5points,(2,5))crop_size=(image_h,image_w)default_
- pytorch中提取任意层特征(一)
我有一只大鹅
pytorch
又找到了更好的办法:PyTorchhook提取任意层和关于PyTorchbackward过程的理解(二)个人总结,pytorch中提取任意层的feature有两种方法,这两种方法是根据网络构建的方法不同而产生的;首先来介绍第一种:以mobileFaceNet为例,看一下mobileFace构建的网络代码:classMobileFaceNet(Module): def__init__(self,e
- insightface训练mobilenet的时候模型太大
修炼之路
人脸识别相关
导读在使用insightface训练mobilefacenet的时候,训练完成之后模型还有22.5M,而官方训练的模型只有4.7M左右,训练的命令如下:CUDA_VISIBLE_DEVICES='0,1'python-utrain_softmax.py--networky1--ckpt2--loss-type4--margin-s128--lr-steps120000,180000,210000,
- mobilefacenet
weixin_30522095
insightface作者训练的mobileFaceNet:https://github.com/deepinsight/insightface/issues/214ncnn的转换:https://github.com/honghuCode/mobileFacenet-ncnn训练记录:https://github.com/moli232777144/mobilefacenet-mxnetinsi
- (Caffe人脸识别)CosineFace、ArcFace、MobileFaceNet、Combined Margin loss的原理以及在caffe中的层实现
rainforestgreen
计算机视觉-图像处理人工智能-图像识别
对于CosineFace、MobileFaceNet、ArcFace、CombinedMarginloss这四种损失函数,都是为了提高人脸识别的分类效果,在原有softmaxloss进行改进的。在这几个改进之前,最早的是基于W-Norm的SphereFace(cosmθ),以及基于W-Norm和F-Norm的SphereFace(scosmθ),这里不对这两种做介绍,直接从cosineFace进行
- 基于MTCNN和MobileFaceNet实现的人脸识别
夜雨飘零1
深度学习TensorFlow人脸识别深度学习tensorflowMTCNNMobileFaceNet
原文博客:Doi技术团队链接地址:https://blog.doiduoyi.com/authors/1584446358138初心:记录优秀的Doi技术团队学习经历本文链接:基于MTCNN和MobileFaceNet实现的人脸识别前言本教程是教程是介绍如何使用Tensorflow实现的MTCNN和MobileFaceNet实现的人脸识别,并不介绍如何训练模型。关于如何训练MTCNN和Mobile
- 人脸识别网络mobilefacenet,的改进介绍
shishi_m037192554
人脸识别
转原论文阅读笔记:MobileFaceNets:EfficientCNNsforAccurateRealTimeFaceVerificationonMobileDevices2018年07月30日17:07:56ProYH阅读数:855更多个人分类:Deep-Learning人脸识别论文版权声明:本文为博主原创文章,未经博主允许不得转载。https://blog.csdn.net/u0105799
- mobilefacenet-V2
ShellCollector
人脸识别
开源了网络结构mobilefacenet-V2https://github.com/qidiso/mobilefacenet-V2Updatewd=0.0000001trainningisnotend.nowisthenewAccuracy:igetnewhigherAccuracy:Accuracydbnameaccuracylfw0.99683cfp_ff0.99733cfp_fp0.9450
- 论文笔记:MobileFaceNet
hongbin_xu
论文阅读深度学习论文笔记
原文:MobileFaceNets:EfficientCNNsforAccurateReal-timeFaceVerificationonMobileDevicesMobileFaceNet1、四个问题要解决什么问题?设计一个在手机或嵌入式设备上可实时运行且具有高精度的人脸验证CNN模型。用了什么方法解决?以MobileNetv2网络为骨架,做了一些改进:使用全局可分离卷积(globaldepth
- Android 人脸检测和识别
小_猪_崽
android开发
背景人脸识别在日常使用过程中越来越多,很多App希望接入和使用,但是成熟的第三方应用都会有数量或者收费限制,开源的多数为C++代码。这主要就是整合一些开源算法形成一个SDK供大家快速使用开源算法说明推理算法:ncnn检测算法:Ultra识别算法:mobilefacenet使用添加依赖Additinyourrootbuild.gradleattheendofrepositories:allproje
- 2020-07-15 总结人脸识别项目
偷不走的影子
轻量级人脸识别研究过程:(1)在VGGFace2数据集上,Inception-ResNet-V1/VGG16+TripletLoss,问题:泛化性能相对不佳。(2)在MS1M数据集上,ResNet50/ResNet100+ArcFace,精度高,问题:手机端高时延(3)在MS1M数据集上,MobileNet/ShuffleNet/MobileFaceNet/VarGFaceNet+ArcFace,
- Android端基于MTCNN和mobilefacenet的人脸识别
Charleyszc
AndroidOpenCv
这个demo是我去年毕业刚工作的时候要搞人脸识别的时候搞的。好奇其中的原理于是就去github上搞了个MTCNN+MobileFaceNet的demo(没记错的话是这个),刚拿来的时候是只有1:1比对和检测的,然后我加入了人脸对齐、1:N识别和红外活体检测。但是有个问题,红外活体检测只是针对我自己的设备的,因为数据集是采录自我的设备,不保证在其他设备上识别准确。这里的前段推断框架用的是腾讯的NCN
- tensorflow模型转为tflite
阿杜依诺
TensorFlow
tensorflow模型转换主要分为:步骤1、步骤2。步骤1最为关键。1、ckpt转为pb模型主要步骤参考MobileFaceNet模型转换问题,其它模型转换也是按此步骤,注意输入、输出节点的选择。转换过程中出现以下错误,应该是batch_norm_params参数设置的问题。应将is_training设置为False,将trainable设置为False,则不会出现以下错误。若仍然报错不支持相关
- MXnet转caffe
吃不胖的卷卷
算法移植优化
mxnet虽好,但是mxnet框架还是有点小众,MXnet现在越来越受欢迎了,不过现在要把mxnet训练的模型部落地到移动端,有必要在Inference阶段将其转换为其他框架,以便后续统一部署和管理。Caffe作为小巧灵活的老资格框架,使用灵活,部署方便,所以尝试将mxnet训练的mobilefacenet模型转换为Caffe。这里简单记录用mxnet训的mobilefacenet模型转换为Caf
- ArcFace / InsightFace 论文解读
咆哮的阿杰
深度学习人脸相关(检测识别GAN)
updateon2019/4/1我计划在今年六月份开源我的人脸识别demo到github上,集成了人脸检测和mobileFaceNet+arcloss人脸识别。如果需要请下方留言。届时会通知各位。updataon2019/4/20因为一些原因,我提前开源了我的人脸识别代码,请见github地址。如果觉得对你的工作有帮助,请有账号的帮忙点个star哦。你的一个star是对我开源贡献的肯定。前情提要c
- pytorch中提取任意层特征
猫猫与橙子
pytorch
个人总结,pytorch中提取任意层的feature有两种方法,这两种方法是根据网络构建的方法不同而产生的;首先来介绍第一种:以mobileFaceNet为例,看一下mobileFace构建的网络代码:classMobileFaceNet(Module):def__init__(self,embedding_size,class_num):super(MobileFaceNet,self).__i
- 基于insightface训练mobilefacenet的相关步骤及ncnn转换流程
5月16日更新经多位网友的共同实验,原方案部分情况下迭代次数稍微不足,导致最终识别率略有小差异,为了相对容易获得论文的最佳结果,对训练方案进行简单更新,实际训练也可根据数据acc训练是否已稳定来判断lr下降的迭代次数:适当增大softmax迭代次数,4万-->12万;增大arcface第一级lr0.1的迭代次数,8万-->12万;ps:无闲置机器,暂不再更新log。该项目训练步骤,已验证mobil
- ASM系列六 利用TreeApi 添加和移除类成员
lijingyao8206
jvm动态代理ASM字节码技术TreeAPI
同生成的做法一样,添加和移除类成员只要去修改fields和methods中的元素即可。这里我们拿一个简单的类做例子,下面这个Task类,我们来移除isNeedRemove方法,并且添加一个int 类型的addedField属性。
package asm.core;
/**
* Created by yunshen.ljy on 2015/6/
- Springmvc-权限设计
bee1314
springWebjsp
万丈高楼平地起。
权限管理对于管理系统而言已经是标配中的标配了吧,对于我等俗人更是不能免俗。同时就目前的项目状况而言,我们还不需要那么高大上的开源的解决方案,如Spring Security,Shiro。小伙伴一致决定我们还是从基本的功能迭代起来吧。
目标:
1.实现权限的管理(CRUD)
2.实现部门管理 (CRUD)
3.实现人员的管理 (CRUD)
4.实现部门和权限
- 算法竞赛入门经典(第二版)第2章习题
CrazyMizzz
c算法
2.4.1 输出技巧
#include <stdio.h>
int
main()
{
int i, n;
scanf("%d", &n);
for (i = 1; i <= n; i++)
printf("%d\n", i);
return 0;
}
习题2-2 水仙花数(daffodil
- struts2中jsp自动跳转到Action
麦田的设计者
jspwebxmlstruts2自动跳转
1、在struts2的开发中,经常需要用户点击网页后就直接跳转到一个Action,执行Action里面的方法,利用mvc分层思想执行相应操作在界面上得到动态数据。毕竟用户不可能在地址栏里输入一个Action(不是专业人士)
2、<jsp:forward page="xxx.action" /> ,这个标签可以实现跳转,page的路径是相对地址,不同与jsp和j
- php 操作webservice实例
IT独行者
PHPwebservice
首先大家要简单了解了何谓webservice,接下来就做两个非常简单的例子,webservice还是逃不开server端与client端。我测试的环境为:apache2.2.11 php5.2.10做这个测试之前,要确认你的php配置文件中已经将soap扩展打开,即extension=php_soap.dll;
OK 现在我们来体验webservice
//server端 serve
- Windows下使用Vagrant安装linux系统
_wy_
windowsvagrant
准备工作:
下载安装 VirtualBox :https://www.virtualbox.org/
下载安装 Vagrant :http://www.vagrantup.com/
下载需要使用的 box :
官方提供的范例:http://files.vagrantup.com/precise32.box
还可以在 http://www.vagrantbox.es/
- 更改linux的文件拥有者及用户组(chown和chgrp)
无量
clinuxchgrpchown
本文(转)
http://blog.163.com/yanenshun@126/blog/static/128388169201203011157308/
http://ydlmlh.iteye.com/blog/1435157
一、基本使用:
使用chown命令可以修改文件或目录所属的用户:
命令
- linux下抓包工具
矮蛋蛋
linux
原文地址:
http://blog.chinaunix.net/uid-23670869-id-2610683.html
tcpdump -nn -vv -X udp port 8888
上面命令是抓取udp包、端口为8888
netstat -tln 命令是用来查看linux的端口使用情况
13 . 列出所有的网络连接
lsof -i
14. 列出所有tcp 网络连接信息
l
- 我觉得mybatis是垃圾!:“每一个用mybatis的男纸,你伤不起”
alafqq
mybatis
最近看了
每一个用mybatis的男纸,你伤不起
原文地址 :http://www.iteye.com/topic/1073938
发表一下个人看法。欢迎大神拍砖;
个人一直使用的是Ibatis框架,公司对其进行过小小的改良;
最近换了公司,要使用新的框架。听说mybatis不错;就对其进行了部分的研究;
发现多了一个mapper层;个人感觉就是个dao;
- 解决java数据交换之谜
百合不是茶
数据交换
交换两个数字的方法有以下三种 ,其中第一种最常用
/*
输出最小的一个数
*/
public class jiaohuan1 {
public static void main(String[] args) {
int a =4;
int b = 3;
if(a<b){
// 第一种交换方式
int tmep =
- 渐变显示
bijian1013
JavaScript
<style type="text/css">
#wxf {
FILTER: progid:DXImageTransform.Microsoft.Gradient(GradientType=0, StartColorStr=#ffffff, EndColorStr=#97FF98);
height: 25px;
}
</style>
- 探索JUnit4扩展:断言语法assertThat
bijian1013
java单元测试assertThat
一.概述
JUnit 设计的目的就是有效地抓住编程人员写代码的意图,然后快速检查他们的代码是否与他们的意图相匹配。 JUnit 发展至今,版本不停的翻新,但是所有版本都一致致力于解决一个问题,那就是如何发现编程人员的代码意图,并且如何使得编程人员更加容易地表达他们的代码意图。JUnit 4.4 也是为了如何能够
- 【Gson三】Gson解析{"data":{"IM":["MSN","QQ","Gtalk"]}}
bit1129
gson
如何把如下简单的JSON字符串反序列化为Java的POJO对象?
{"data":{"IM":["MSN","QQ","Gtalk"]}}
下面的POJO类Model无法完成正确的解析:
import com.google.gson.Gson;
- 【Kafka九】Kafka High Level API vs. Low Level API
bit1129
kafka
1. Kafka提供了两种Consumer API
High Level Consumer API
Low Level Consumer API(Kafka诡异的称之为Simple Consumer API,实际上非常复杂)
在选用哪种Consumer API时,首先要弄清楚这两种API的工作原理,能做什么不能做什么,能做的话怎么做的以及用的时候,有哪些可能的问题
- 在nginx中集成lua脚本:添加自定义Http头,封IP等
ronin47
nginx lua
Lua是一个可以嵌入到Nginx配置文件中的动态脚本语言,从而可以在Nginx请求处理的任何阶段执行各种Lua代码。刚开始我们只是用Lua 把请求路由到后端服务器,但是它对我们架构的作用超出了我们的预期。下面就讲讲我们所做的工作。 强制搜索引擎只索引mixlr.com
Google把子域名当作完全独立的网站,我们不希望爬虫抓取子域名的页面,降低我们的Page rank。
location /{
- java-归并排序
bylijinnan
java
import java.util.Arrays;
public class MergeSort {
public static void main(String[] args) {
int[] a={20,1,3,8,5,9,4,25};
mergeSort(a,0,a.length-1);
System.out.println(Arrays.to
- Netty源码学习-CompositeChannelBuffer
bylijinnan
javanetty
CompositeChannelBuffer体现了Netty的“Transparent Zero Copy”
查看API(
http://docs.jboss.org/netty/3.2/api/org/jboss/netty/buffer/package-summary.html#package_description)
可以看到,所谓“Transparent Zero Copy”是通
- Android中给Activity添加返回键
hotsunshine
Activity
// this need android:minSdkVersion="11"
getActionBar().setDisplayHomeAsUpEnabled(true);
@Override
public boolean onOptionsItemSelected(MenuItem item) {
- 静态页面传参
ctrain
静态
$(document).ready(function () {
var request = {
QueryString :
function (val) {
var uri = window.location.search;
var re = new RegExp("" + val + "=([^&?]*)", &
- Windows中查找某个目录下的所有文件中包含某个字符串的命令
daizj
windows查找某个目录下的所有文件包含某个字符串
findstr可以完成这个工作。
[html]
view plain
copy
>findstr /s /i "string" *.*
上面的命令表示,当前目录以及当前目录的所有子目录下的所有文件中查找"string&qu
- 改善程序代码质量的一些技巧
dcj3sjt126com
编程PHP重构
有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点,程序你只写一次,但以后会无数次的阅读。当你第二天回头来看你的代码 时,你就要开始阅读它了。当你把代码拿给其他人看时,他必须阅读你的代码。因此,在编写时多花一点时间,你会在阅读它时节省大量的时间。让我们看一些基本的编程技巧: 尽量保持方法简短 尽管很多人都遵
- SharedPreferences对数据的存储
dcj3sjt126com
SharedPreferences简介: &nbs
- linux复习笔记之bash shell (2) bash基础
eksliang
bashbash shell
转载请出自出处:
http://eksliang.iteye.com/blog/2104329
1.影响显示结果的语系变量(locale)
1.1locale这个命令就是查看当前系统支持多少种语系,命令使用如下:
[root@localhost shell]# locale
LANG=en_US.UTF-8
LC_CTYPE="en_US.UTF-8"
- Android零碎知识总结
gqdy365
android
1、CopyOnWriteArrayList add(E) 和remove(int index)都是对新的数组进行修改和新增。所以在多线程操作时不会出现java.util.ConcurrentModificationException错误。
所以最后得出结论:CopyOnWriteArrayList适合使用在读操作远远大于写操作的场景里,比如缓存。发生修改时候做copy,新老版本分离,保证读的高
- HoverTree.Model.ArticleSelect类的作用
hvt
Web.netC#hovertreeasp.net
ArticleSelect类在命名空间HoverTree.Model中可以认为是文章查询条件类,用于存放查询文章时的条件,例如HvtId就是文章的id。HvtIsShow就是文章的显示属性,当为-1是,该条件不产生作用,当为0时,查询不公开显示的文章,当为1时查询公开显示的文章。HvtIsHome则为是否在首页显示。HoverTree系统源码完全开放,开发环境为Visual Studio 2013
- PHP 判断是否使用代理 PHP Proxy Detector
天梯梦
proxy
1. php 类
I found this class looking for something else actually but I remembered I needed some while ago something similar and I never found one. I'm sure it will help a lot of developers who try to
- apache的math库中的回归——regression(翻译)
lvdccyb
Mathapache
这个Math库,虽然不向weka那样专业的ML库,但是用户友好,易用。
多元线性回归,协方差和相关性(皮尔逊和斯皮尔曼),分布测试(假设检验,t,卡方,G),统计。
数学库中还包含,Cholesky,LU,SVD,QR,特征根分解,真不错。
基本覆盖了:线代,统计,矩阵,
最优化理论
曲线拟合
常微分方程
遗传算法(GA),
还有3维的运算。。。
- 基础数据结构和算法十三:Undirected Graphs (2)
sunwinner
Algorithm
Design pattern for graph processing.
Since we consider a large number of graph-processing algorithms, our initial design goal is to decouple our implementations from the graph representation
- 云计算平台最重要的五项技术
sumapp
云计算云平台智城云
云计算平台最重要的五项技术
1、云服务器
云服务器提供简单高效,处理能力可弹性伸缩的计算服务,支持国内领先的云计算技术和大规模分布存储技术,使您的系统更稳定、数据更安全、传输更快速、部署更灵活。
特性
机型丰富
通过高性能服务器虚拟化为云服务器,提供丰富配置类型虚拟机,极大简化数据存储、数据库搭建、web服务器搭建等工作;
仅需要几分钟,根据CP
- 《京东技术解密》有奖试读获奖名单公布
ITeye管理员
活动
ITeye携手博文视点举办的12月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。
12月试读活动回顾:
http://webmaster.iteye.com/blog/2164754
本次技术图书试读活动获奖名单及相应作品如下:
一等奖(两名)
Microhardest:http://microhardest.ite