2017年nips的一篇做分类和识别的工作，其中在人脸识别任务上也做了实验，Rethinking Feature Discrimination and Polymerization for Large-scale Recognition.Yu Liu, Hongyang Li, XiaogangWang。提出了一个新的损失函数：congenerous cosine，本质上就是一个cosine距离

人工智能正在日益渗透到所有的技术领域。而深度学习(DL)是目前最活跃的分支。最近几年，DL取得了许多重要进展。其中一些因为事件跟大众关系密切而引人瞩目，而有的虽然低调但意义重大。深度学习从业人员应该保持足够的嗅觉，这个领域正在发生很多事情，你必须要跑的足够的快才能跟上时代步伐。一. 计算机视觉（CV）这是现在深度学习中最受欢迎的领域，我觉得我们已经完全获取了计算机视觉中容易实现的目标...

基于深度学习的人脸识别发展，已经基本趋于成熟，业界比较成熟的人脸1：N应用总结如下：https://blog.csdn.net/intflojx/article/details/81278330凡是基于识别的，总是离不开三个东西：数据，网络，以及loss。数据方面，目前的公开数据集中有主打类别数的MS_celeb_1M，有主打各种姿态角与年龄的VggFace2；也有一些主打高质量的...

摘要最近出了一篇旷视科技的孙剑团队出了一篇关于利用Channel Shuffle实现的卷积网络优化——ShuffleNet。我关注了一下，原理相当简单。它只是为了解决分组卷积时，不同feature maps分组之间的channels信息交互问题，而提出Channel Shuffle操作为不同分组提供channels信息的通信的渠道。然而，当我读到ShuffleNet Unit和Network ..

第1章 前言设计出人脸1：N，随着N的增大准确率降低最小的解决方案具有很强的现实意义。人脸1：N的框架大致分为：人脸检测、人脸对齐、人脸映射与人脸识别LOSS的设计，结构如下图所示：图1：人脸1：N的主要框架人脸1：N在学术界有着广泛的研究，对于人脸检测与人脸对齐（MTCNN、TCDCN等）在业界已经有较好的效果，目前的主要性能提升有：DeepFace、DeepID，框架为CNN ...

前言       之前写过一篇维纳滤波在图像复原中的作用，讲述了图像退化模型以及维纳滤波的作用。维纳滤波使用的前提是知道信号和噪声的功率谱，但在实际应用中较难得到，只能根据先验知识进行估计拍照过程中相机抖动、离焦、散焦或目标物体移动等，带来图像模糊。盲去卷积盲去模糊可以概括为：“模型的提出（最优化式的提出）”和“算法求解”两个方面。盲去模糊的处理模型：

 1. JND算法背景/意义1算法的概述最小可觉察误差(JND, Just Noticeable Distortion)用于表示人眼不能察觉的最大图像失真，体现了人眼对图像改变的容忍度。在图像处理领域，JND 可以用来度量人眼对图像中不同区域失真的敏感性。目前已有多个 JND 模型被提出，这些 JND 模型主要可以分为 2 类：基于像素域的 JND模型和基于变换域的 JND 模型。像素域...

1 论文简述题目《SSD: Single Shot MultiBox Detector》作者Wei Liu, Dragomir Anguelov, Dumitru Erhan ,Christian Szegedy,Scott Reed , Cheng-Yang Fu ,Alexander C....

上文简单提到了TensorRT的基础与onnx转换：基于TensorRT的神经网络推理与加速 ：https://blog.csdn.net/intflojx/article/details/81712651后面看到老板的slides, 感觉理解更深层次了哈，要学习的东西还有很多哈。      摘要： 随着传统的高性能计算和新兴的深度学习在大型的互联网企业的普及发展，作为训练和推理载体的...