Occlusion-free Face Alignment: Deep Regression Networks Coupled with De-corrupt AutoEncoders
這篇論文是我總結的，感覺思路還是不錯的，目前主流的處理影象方式，或者人臉對齊方式都是使用了深度學習，因為深度學習對於人臉對齊具有很好的效果，並且對於遮擋也會有一定的容忍性。
這篇論文是：Occlusion-free Face Alignment: Deep Regression Networks Coupled with De-corrupt AutoEncoders。
相關推薦
Occlusion-free Face Alignment: Deep Regression Networks Coupled with De-corrupt AutoEncoders
這篇論文是我總結的，感覺思路還是不錯的，目前主流的處理影象方式，或者人臉對齊方式都是使用了深度學習，因為深度學習對於人臉對齊具有很好的效果，並且對於遮擋也會有一定的容忍性。 這篇論文是：
計算機視覺之目標跟蹤——論文Learning to Track at 100 FPS with Deep Regression Networks
論文解讀 本文采用深度學習迴歸模型GOTURN(Generic Object Tracking Using Regression Networks)解決單目標跟蹤問題。單目標跟蹤問題的難點在於物體的平移、旋轉、大小變化、視角變化、明暗變化、變形以
GOTURN——Learning to Track at 100 FPS with Deep Regression Networks
文章的題目叫：《Learning to Track at 100 FPS with Deep Regression Networks》 演算法簡稱：GOTURN（Generic Object Tracking Using Regression Networks） 作者是
深度學習Tracking（1）——Learning to Track at 100 FPS with Deep Regression Networks（程式碼理解）
第一次看深度學習網路實現的工程程式碼，有很多內容和結構不理解，並且在Linux下跑網路工程程式碼沒有IDE，無法除錯，我也不知道在檢視函式的時候如何跳轉，因此看整個工程檔案十分麻煩。因此自己也是邊看邊查邊學。 下面開始解析該工程程式碼，可能存在一些偏差和錯
Direct Shape Regression Networks for End-to-End Face Alignment
端到端人臉對齊的直接形狀迴歸網路1 主要的挑戰在於人臉影象和相關的面部形狀之間的高度非線性關係，這種非線性關係是基於標記的相關性耦合。現有的方法主要依賴於級聯迴歸，存在固有的缺點，例如對初始化的強依賴性和未能利用相關的標記。 本文提出了一種**直接形狀迴歸網路（direct shap
Deep Neural Networks for Regression Problems
First : Processing the datasetWe will not go deep in processing the dataset, all we want to do is getting the dataset ready to be fed into our models .We w
One Millisecond Face alignment with an Ensemble of Regression Trees
摘要： 這篇paper 主要是解決了單個圖片的face alignment 問題。我們給出了迴歸樹的集合用來評估臉部的landmark 點的位置。直接從畫素強度的稀疏子集，達到超實時的表現。我們給出了一個一般的框架基於gradient boosting 為了學習迴歸樹的集合
學習筆記：Coarse-to-Fine Auto-Encoder Networks (CFAN) for Real-Time Face Alignment
這篇論文中設計的網路結構用於seetaface人臉識別引擎中。 作者提出了一個粗到精的自動編碼網路（CFAN），級聯了一些堆疊自動編碼網路（SANs）。 1、初步是將檢測到的整體的人臉的低解析度版本作為輸入，這樣第一個SAN就能快速並足夠準確的預測標誌點。---全域性SAN
【論文筆記】One Millisecond Face Alignment with an Ensemble of Regression Trees
參考文獻： Kazemi V, Sullivan J. One millisecond face alignment with an ensemble of regression trees[C]//Computer Vision and Pattern
閱讀Face Alignment by Explicit Shape Regression
上週閱讀了兩篇論文（第一次認真閱讀&.&），其中一篇是CVPR2012的文章《Face Alignment by Explicit Shape Regression》。
Deep Alignment Network: A convolutional neural network for robust face alignment
論文分析 論文提出了一種類似級聯的神經網路結構。這一點上很遺憾，我在一個月之前也想到了這種模式。因為對於實時 Landmark 的跟蹤，其實可以利用上一幀的預測結果來預測下一幀 Landmark 的位置。但現代大部分的 CNN 結構沒辦法辦到。在與朋友的討論中
Mastering the game of Go with deep neural networks and tree search
深度 策略 參數初始化 技術 以及 -1 簡單 cpu 網絡 Silver, David, et al. "Mastering the game of Go with deep neural networks and tree search." Nature 529.758
[譯]深度神經網絡的多任務學習概覽(An Overview of Multi-task Learning in Deep Neural Networks)
noi 使用方式 stats 基於 共享 process machines 嬰兒 sdro 譯自：http://sebastianruder.com/multi-task/ 1. 前言 在機器學習中，我們通常關心優化某一特定指標，不管這個指標是一個標準值，還是企業KPI。為
DeepEyes: 用於深度神經網絡設計的遞進式可視分析系統 (DeepEyes: Progressive Visual Analytics for Designing Deep Neural Networks)
失誤 min 使用 包括 系統 所有 訓練 如果 blog 深度神經網絡，在模式識別問題上，取得非常不錯的效果。但設計一個性能好的神經網絡，需要反復嘗試，是個非常耗時的過程。這個工作[1]實現了用於深度神經網絡設計的可視分析系統，DeepEyes。該系統可以在DNNs訓練過
VGGnet論文總結（VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION）
lrn cli 共享 融合 loss sca 得到 同時 works VGGNet的主要貢獻： 1、增加了網絡結構的深度 2、使用了更小的filter（3*3） 1 introduction 這部分主要說明了，由於在所有的卷積網絡上使用了3*3的filter，所以使
Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization - week1
圖片 .com arr neu regular img family nts radi Normalizing input Vanishing/Exploding gradients deep neural network suffer from t
Face Alignment by Coarse-to-Fine Shape Searching--解析
size div ace 解析 font style shape 源碼 get 人臉關鍵點定位.Face Alignment by Coarse-to-Fine Shape Searching 算法源碼詳解（上） http://blog.csdn.net/shenxiaol
[CVPR 2016] Weakly Supervised Deep Detection Networks論文筆記
del found score feature 圖片 http spl span 根據 p.p1 { margin: 0.0px 0.0px 0.0px 0.0px; font: 13.0px "Helvetica Neue"; color: #323333 } p.p2
Deep RL Bootcamp Lecture 3: Deep Q-Networks
add 分享 val acc ati ons width work rnn https://www.youtube.com/watch?v=fevMOp5TDQs
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNTION（翻譯）
而不是 lar 標準 類別 研究 src 架構 數量 分辨率 0 - ABSTRACT 在這個工作中，我們研究了卷積網絡的深度對於它在大規模圖像識別設置上的準確率的效果。我們的主要貢獻是對使用非常小的卷積核（3×3）來增加深度的網絡架構進行徹底評估，這說明了通過將深度增