目標檢測的通用做法是，資料以邊框格式標註，模型擬合，也是擬合邊框的座標和長度，拓展到3d，可以按照標註資料的格式，擬合3維體的中心點座標和旁開的長度。
而在二維的目標檢測中，比如由於目標的形狀不同，如人或動物的姿勢變化，在邊框內有效資訊可能會相對減少，作者就針對這種情況，改變了標註資料和最終擬合的形式，變成關鍵點擬合。
如何擬合這些關鍵點呢？作者用了在通用anchor方式的檢測中所用到的普通卷積運算元，作為初始的狀態，在誤差反傳的過程中，卷積運算元作為偏移量，與輸入資料進行運算，最終調整到擬合的head上，完成關鍵點擬合。
乙個可拖動的ScrollView
我們經常看到這樣的效果,乙個listview和gridview亦或者是recycleview,再上拉或下拉到頂部的時候,還能再拖拽一段距離,這種效果是是非常常見的,因為用的比較多,所以記錄一下.實現思路是自定義乙個scrollview 具體 如下 package fenganoschina.feng...
Tensorflow實現乙個簡單的卷積神經網路
今天對照tensorflow的書，實現了乙個簡單的卷積神經網路。基於mnist資料集。在神經網路還未出現之前，在處理影象的問題上都是使用的特徵工程 如sift 特徵工程是有侷限性的。cnn被用於影象處理，不需要將特徵提取和分類訓練兩個過程分開，它在訓練時就自動提取了最有效的特徵。卷積神經網路由多個卷...
搭建乙個簡單的卷積神經網路
神經網路的基本組成單元是神經元，在數學上的神經元模型是和在生物學上的神經細胞對應的。人工神經網路理論是用神經元這種抽象的數學模型來描述客觀世界的生物細胞的。例如隨機產生32組生產出的零件的體積和重量，訓練3000輪，每500輪輸出一次損失函式 1 匯入模型，生成模擬資料集 import tensor...