提出论点 好的研究想法，兼顾摘果子和啃骨头。...两年前，曾看过刘知远老师的一篇文章《好的研究想法从哪里来》，直到现在印象依然很深刻，文中分析了摘低垂果实容易，但也容易撞车，啃骨头难，但也可能是个不错的选择。...初入团队，寻找自己的立足点，需要一个好的工作想法。每年末，抓耳挠腮做规划，想要憋出一个好的工作想法。很多同学，包括我自己，陆陆续续零零散散想到很多点，然后自己不断否掉。...人的三维+时间半维 具体如何找到好的想法，一时半会没有头绪。因此，回到最初的起点，从人的层面，我有什么？我想要有什么？...引用 好的研究想法从哪里来 杜跃进：数据安全治理的基本思路 来都来了。
今天跟大家继续说说人脸检测的一些事，我们是否考虑过人脸检测，到底哪些特征是比较关键性的？？？ ? 面部传达着非常丰富的信息，这对于完整的社会互动至关重要。...为了有效地提取这些信息，需要从复杂的视觉场景中很容易地检测到人脸。在这里，我们询问了哪些特征是人脸检测的关键？...为了回答这个问题，本次分享的文章提出了非人脸对象，这些对象产生了对人脸的强烈感知（即Pareidolia）。一组参与者对这组无生命的图像进行评估。第二组评估了12种局部和全局特征的存在。...这些发现表明，人脸检测取决于特定的面部特征、眼睛和嘴巴。这种最小的信息导致过度泛化，产生虚假的人脸感知，但确保真实的面孔不会错过。 ?...为了进一步检查眼睛和嘴巴是否确实对于面部检测是关键的，在第二实验中，我们去除眼睛或嘴巴，或者两个不与面部、耳朵或牙齿相关的特征，以及用于编辑的图像的测量的真实性得分。
机器之心专栏 机器之心编辑部 想要个性化设计高真实感的三维立体人脸，却发现自己并不熟悉专业的设计软件？...三维人脸编辑方法 NeRFFaceEditing 提供了新的解决方案，即使不会三维建模，也能自由编辑高真实感的立体人脸，建模元宇宙中的个性化数字肖像！...而几何特征与材质特征 (a) 通过可控制的材质模块（CAM）模块组合后，再从中采样特征输入材质解码器预测颜色。最后通过体渲染，得到某一视角下的人脸图像与对应的语义掩码。...而在给定一个不同的材质特征 (b) 的情况下，几何特征与材质特征 (b) 通过 CAM 模块和体渲染可以得到另一张几何不变而材质改变的人脸图像。...整体网络结构如下图所示： 图 4 NeRFFaceEditing 的网络架构 除此之外，为了约束拥有同一材质特征，但几何不同的样本渲染结果在材质上相似，NeRFFaceEditing 利用生成好的语义掩码
特征选择（feature selection）从所有的特征中，选择出意义的，对模型有帮助的特征，以避免必须将所有特征都导入模型中去训练的情况。...错误地高估不相关特征的重要性会导致错误的发现，而低估相关特征的重要性会导致我们丢弃重要的特征，从而导致模型性能较差。...基于评估器计算特征重要性原理 前面已经说过最常用的特征选择方法之一是基于评估机器学习模型的特征重要性，而评估机器学习模型试图量化每个特征的相对重要性，以预测目标变量。...由于特征的选择很可能会偏向那些具有大量唯一值的特征，而贪婪算法可能导致在树根附近的被用于分割数据的特征选择错误，而这些特征往往是最重要的。...SHAP和XGBoost一直低估关键特征的重要性，而将不相关的特征赋予显著的重要性，并且在较高的噪声下无法完全区分相关与不相关的特征。显然这些不能被用于特征选择或解释，否则这将会发生严重的后果。
各位大家好，明天就是小年了，已经感受到了过年的味道了，提前祝大家小年快乐。 好，话不多说，今天让我们来一起分享下怎么样来去选择一个好的特征，并且当我们区分出好的特征的时候，好的特征意味着什么。...在这一篇文章中，我们将会用到机器学习的分类器来作为贯穿整篇文章的例子，因为分类器只有在我们提供了好的特征以后才可以为我们的发挥出自己的好的效果，这也意味着找到好特征是机器学习能够学好的一个重要的前提之一...，那么这个时候问题就来了，什么是好特征？...你怎么知道他算得上是好特征？接下来，让我们来解决这些问题。...我们用特征来描述一个物体，比如说在这一类物体中，他们有长度，颜色，这两种特征的属性，那么用这个特征来描述这个类别的时候，好的特征会让我们更加轻松的来辨别出相应特征所代表的类别，而不好的特征会混乱我们的感官
那么什么才是好的想法呢？我理解这个”好“字，至少有两个层面的意义。 学科发展角度的”好“ 学术研究本质是对未知领域的探索，是对开放问题的答案的追寻。...好的研究想法从哪里来 想法好还是不好，并不是非黑即白的二分问题，而是像光谱一样呈连续分布，因时而异，因人而宜。...那么，好的研究想法从哪里来呢？我总结，首先要有区分研究想法好与不好的能力，这需要深入全面了解所在研究方向的历史与现状，具体就是对学科文献的全面掌握。...我们很难条分缕析完美地列出区分好与不好想法的所有特征向量，但人脑强大的学习能力，只要给予足够的输入数据，就可以在神经网络中自动学习建立判别的模型，鉴古知今，见微知著，这也许就是常说的学术洞察力。...“ 我当时的回答如下： 我感觉，产业界开始集团化搞的问题，说明其中主要的开放性难题已经被解决得差不多了，如语言识别、人脸识别等，在过去20年里面都陆续被广泛商业应用。
在大多数的CNNs中，Softmax损失函数被作为监督信号去训练深度模型。 ? 为了增强深度学习特征的判别力，提出一种新的监督信号，称为中心损失，用于人脸识别任务。...Softmax损失和中心损失的联合监督，可以训练一个鲁棒的CNNs去获得两个关键学习目标的深度特征，尽可能的使类间分散和类内紧凑，在人脸识别中是非常必要的。...以这种方式，标签预测（最后全连接层）像一个线性分类器，并且深度学习的特征很容易被分离。 但是对于人脸识别任务，深度学习特征不仅需要可分离还需要判别性。...判别特征可以通过近邻（NN）或K最近邻（K-NN）算法很好的分类，其不需依赖标签预测。然而，Softmax损失只支持特征的分离，由此产生的特征是不够有效地人脸识别。 ?...通过结合中心损失和Softmax损失去联合监督CNNs的学习，深度学习特征的判别力可以被很大的增强用于鲁棒的人脸识别。大量的实验在一些大规模的人脸基准进行，并证明了所提方法的有效性。
嘉宾 | 赵军 编辑 | 忠良 从2017年开始，音视频应用平台开始逐步关注带宽成本以及观看体验，腾讯从那个时候开始研发极速高清的技术，在研发过程中他们遇到了哪些挑战？...2018 年之前在 Intel 负责视频编码 / 解码 / 转码相关硬件加速的工作，与您现在目前的这个视频云的媒体处理框架最大的区别在哪里？...基于 AI 的算法带来了算力上的挑战，为了解决 AI 算法所带来的算力压力，明眸设计了全新的算力池方案，使用异步方式解决性能问题。 InfoQ：您认为好的媒体处理框架具备那些特点和要求？...赵军：在我看来，一个好的媒体处理框架，需要具备以下三个方面： 简洁性：我们知道，把一个事情做简单比复杂更为不易，简洁性会把事情变得更为清晰且统一，这是我们在设计媒体处理框架时候的第一要务；具体说来，设计上我们使用了基于有向无环图的...可扩展：一个好的媒体处理框架必须可扩展，原因是 2B 业务需求多变，其实现上底层依赖多变，算力依赖多变，这需要媒体处理框架具备量好的扩展性，不断满足业务的变换。
这个工作聚焦于点云的点特征表示学习，但是，与一般的点特征学习方法并不一样。...我们知道配准的目的是求解输入的点云对之间的相对变换以使它们最好的对齐，在这个过程中，聚焦于用学到的点特征表示构造可靠的匹配对。为此，对于点特征的鲁棒性需求也很重要。...前者用于跨两个点云的点对之间的信息交互，从而使一个点云中的点特征与另一个点云中的相似点特征能够相互感知。后者用于根据两个点云的全局交互信息调整每个点特征，因此一个点云具有对另一个点云的全局感知。...同时，作为我们特征交互模型的第一级，CFE 实现了点云内的特征交互。...这是与在固定输入图上工作的CFE的重要区别。最后，我们在聚合输出特征上应用非线性层来得到调整后的特征 ，即局部交互特征。这个过程可以描述为： 通过LIU，每个点的特征具有局部邻域的特点。
我六月底参加深圳的一个线下技术活动，某在线编程的 CEO 谈到他们公司的发版，说：“我说话的这会儿，我们可能就有新版本在发布。”，这句话令我印象深刻。...传统的单体应用，所有的功能模块都写在一起，有的模块是 CPU 运算密集型的，有的模块则是对内存需求更大的，这些模块的代码写在一起，部署的时候，我们只能选择 CPU 运算更强，内存更大的机器，如果采用了了微服务架构...可以灵活的采用最新技术 传统的单体应用一个非常大的弊端就是技术栈升级非常麻烦，这也是为什么你经常会见到用 10 年前的技术栈做的项目，现在还需要继续开发维护。...服务的拆分 个人觉得，这是最大的挑战，我了解到一些公司做微服务，但是服务拆分的乱七八糟。这样到后期越搞越乱，越搞越麻烦，你可能会觉得微服务真坑爹，后悔当初信了说微服务好的鬼话。...这个段子形象的说明了分布式系统带来的挑战。
对于想要在网络上建设网站的用户而言，首先需要为网站购买一个合法的域名，不过很多人对于购买域名并没有实际的经验，因此往往不知道在哪里才能买到需要的域名。那么买域名哪里好？域名供应商的选择标准是什么？...买域名哪里好呢 域名是外部用户访问用户网站的地址，只有准确的地址才能够让别人进入自己的网站，并且域名和网址并不是相等的关系，域名需要经过解析才能够获得网址。...域名的选择标准 很多人在网络上查找后会发现，提供域名的域名供应商在网络上是非常多的，那么买域名哪里好？域名供应商如何来选择呢？...其实有心的用户会发现，网络上的域名供应商虽然多，但不少域名供应商的都只是代理的性质，所提供的域名种类相对比较少，因此在选择域名供应商时应当尽量挑选那些一级域名商，这样可以选择的域名种类会更加丰富。...买域名哪里好？如何挑选域名供应商？
（本文转载自刘知远老师知乎专栏） https://zhuanlan.zhihu.com/p/93765082 编辑：Jerry的算法和NLP 背景说明：临近ACL 2020投稿截止时间，跟同学密集讨论，...好的研究想法从哪里来 想法好还是不好，并不是非黑即白的二分问题，而是像光谱一样呈连续分布，因时而异，因人而宜。...那么，好的研究想法从哪里来呢？我总结，首先要有区分研究想法好与不好的能力，这需要深入全面了解所在研究方向的历史与现状，具体就是对学科文献的全面掌握。...我们很难条分缕析完美地列出区分好与不好想法的所有特征向量，但人脑强大的学习能力，只要给予足够的输入数据，就可以在神经网络中自动学习建立判别的模型，鉴古知今，见微知著，这也许就是常说的学术洞察力。...“ 我当时的回答如下： 我感觉，产业界开始集团化搞的问题，说明其中主要的开放性难题已经被解决得差不多了，如语言识别、人脸识别等，在过去20年里面都陆续被广泛商业应用。
否则在各种同类软件不断刷新的当今，一个无法给用户提供较好体验的软件自然会被淘汰。哪里有服务好的应用性能监控呢？...哪里有服务好的应用性能监控 对于哪里有服务好的应用性能监控这个问题，现在应用市场已经出了很多的类似软件。...一些大的软件制造商或者云服务器商家出产的应用性能监控，一般可信度和质量是比较高的，它们拥有的研发平台是高科技的技术团队，对系统的研发和细节设置肯定是一般的小厂家所不能比的。...上面已经解决了哪里有好的应用性能监控的问题，性能监控在对应用进行实时分析和追踪的过程当中，如果发现了问题，它的报警渠道都有哪些呢？...以上就是哪里有服务好的应用性能监控的相关内容，随便在搜索引擎上搜索一下就会有很多品牌正规的监控软件出现，用户们按需选择就可以了。
尽管基于图像的人脸编辑方法已经比较成熟，但直接将基于图像的编辑方法应用于人脸视频通常会产生不稳定、不连续的结果。...浙江大学计算机辅助设计与图形学国家重点实验室在人脸胖瘦参数化研究领域有着较为丰富的经验，他们曾建立了一个关于人脸软组织厚度的回归方程，自然合理地对三维人脸进行胖瘦编辑，然后将编辑后的结果重映射回二维图像...该方法能在图像领域取得不错的结果，但难以直接应用于视频。首先，在重建步骤的最开始，人脸特征点检测不够精确导致帧与帧之间特征点会发生抖动或者偏移，引起三维人脸不连续变化。...该研究确保了整段视频只存在唯一一组人脸形状参数，同时建立起稳定连续的三维人脸序列。在三维人脸编辑时，该研究先将三维人脸模型中的表情参数分离，胖瘦编辑之后再将表情参数恢复到编辑后的三维人脸上。...该密集映射的建立首先借助变形前后三维模型存在映射关系这一特征，将形变前的二维人脸边界点逆投影至三维人脸模型上，与变形后三维人脸模型对应顶点的投影建立初始映射。
作者：cunjian 编译：CV君 发布：我爱计算机视觉公众号 向大家推荐一款基于PyTorch实现的快速高精度人脸特征点检测库，其在CPU上的运行速度可达100 fps。...项目地址： https://github.com/cunjian/pytorch_face_landmark 该库支持68点正面/半正面和39点侧脸的特征点检测，支持不同的主干网络，支持使用ONNX的推断...该库人脸检测使用MTCNN算法，特征点检测是基于坐标回归的方法。 请看一段该库在 300 VW上检测视频： 在300W数据集上的正面人脸检测结果示例： ?...在Menpo数据集上的半正面人脸检测结果示例： ? 在Menpo数据集上的侧脸检测结果示例： ? 使用不同的主干网在300W数据集上的精度结果： ?...测试推断： 对同一文件夹下图像进行批量测试兵保存结果： python3 -W ignore test_batch_mtcnn.py 使用ONNX优化、MTCNN用于人脸检测并通过摄像头采集图像测试：
这篇文章将会科普一种使用深度学习进行人脸表情检测的方法，并简要介绍下传统的检测方法。 ?...在过去，检测面部及其特征，包括眼睛、鼻子、嘴巴，甚至从它们的形状中提取表情是非常困难的，而现在，这项任务可以通过深度学习“神奇”地得到解决，任何一个聪明的年轻人都可以在几个小时内完成。...这种方法是将检测的任务进行分解，分成检测形状向量特征（ASM）、布丁图像模板（AAM）和使用预先训练的线性SVM进行检测优化这几个步骤逐一处理。 ?...在这里，我们将会使用一种非常简单的卷积神经网络（CNN，convolutional neural network）并在一些含有人脸的图像上进行人脸重要部位的检测。...； 在自拍实时视频中用一些新发型、珠宝和化妆进行产品测试； 检测你的员工是因为喝酒无法胜任一些任务； 从人们的反馈表情中提取当下流行的表情； 使用对抗网络（GANs）来进行实时的人脸-卡通变换，并使用网络实现实时人脸和卡通动画表情的同步
机器之心专栏 机器之心编辑部 想复制专业的打光技巧，拿图片来 AI 学习一下就有了。 真实人脸的三维建模、合成与重光照是计算机图形学领域中具有较高应用价值的研究方向。...但是，这些生成模型本身是无条件生成，并不能对人脸的光影进行解耦控制。 已有工作有的通过对三维人脸生成网络隐空间中隐变量编辑的方式实现三维人脸光影控制，但是难以保证超出人脸区域的几何一致性。...为了解决上述的问题，NeRFFaceLighting 分解了三平面表示为几何材质三平面和光影三平面来保证光影编辑时的几何材质一致性，并且通过条件判别器监督光影效果的真实性。...给定几何与材质三平面和光影三平面之后，原本的解码器从几何与材质的三平面中采样的特征解码出密度 σ 和反照率 a（对应于原本的颜色，但是赋予了不同的含义），而新构建的光影解码器从光影三平面中采样的特征解码出光影...Part 4 结语与致谢 数字内容生成在工业制作和数字媒体领域有着广泛的应用，尤其是虚拟数字人的生成与编辑，在近期受到了广泛的关注，而三维人脸光影的解耦真实编辑就是该领域的一个重要问题。
作者丨机器之心编辑部 来源丨机器之心 编辑丨AiCharm 点击下方卡片，关注「AiCharm」公众号 想复制专业的打光技巧，拿图片来 AI 学习一下就有了。...但是，这些生成模型本身是无条件生成，并不能对人脸的光影进行解耦控制。 已有工作有的通过对三维人脸生成网络隐空间中隐变量编辑的方式实现三维人脸光影控制，但是难以保证超出人脸区域的几何一致性。...为了解决上述的问题，NeRFFaceLighting 分解了三平面表示为几何材质三平面和光影三平面来保证光影编辑时的几何材质一致性，并且通过条件判别器监督光影效果的真实性。...给定几何与材质三平面和光影三平面之后，原本的解码器从几何与材质的三平面中采样的特征解码出密度 σ 和反照率 a（对应于原本的颜色，但是赋予了不同的含义），而新构建的光影解码器从光影三平面中采样的特征解码出光影...Part 4 结语与致谢 数字内容生成在工业制作和数字媒体领域有着广泛的应用，尤其是虚拟数字人的生成与编辑，在近期受到了广泛的关注，而三维人脸光影的解耦真实编辑就是该领域的一个重要问题。
图像的所有颜色（眼睛、头发、光线）和细节脸部特征。...对高分辨率 (64^2 – 1024^2) 的层的风格进行叠加的效果见「Fine styles」：主要保留了 source 图像的颜色和微小特征。 ?...（c）100 个不同实现中像素的标准偏差，高亮处为图像受噪声影响的区域。主要区域是头发、轮廓和部分背景，但眼睛的反射也有有趣的随机变化。身份和姿势等全局特征不受随机变化的影响。 ?...在本文基于风格的生成器中，风格会影响整个图像，因为整个特征图会以同样的值进行缩放和偏移。因此，姿势、光线或背景风格等全局效应可以得到连贯的控制。...此外，英伟达还提出两种可应用于任意生成器架构的新型自动化方法，并创建了一个包含千差万别、高质量人脸图像的新型数据集 FlickrFaces-HQ（FFHQ）。
编者注：本文根据山世光在 CNCC 2016 可视媒体计算论坛上所做的报告《深度化的人脸检测与识别技术：进展与问题》编辑整理而来，在未改变原意的基础上略有删减。...这个过程可以分为以下几个步骤： 第一步是要找到脸在哪里 第二步是找到五官的位置 第三步是把关键人脸区域提取出来 第四步是用特征提取器F把图像变成特征向量（y=F（x）） 第五步对比向量y1、y2的相似度是否足够高...，据此来进行判断 在这里面最核心的其实有三个步骤，第一个是找到脸在哪里，第二个是找到五官在哪里，第三个是f（x）函数的设置，这也是人脸识别系统中最本质的三个内容。...不管是人脸检测还是物体检测，都需要进行考虑的是这两个问题： 有没有？ 在哪里？ 2014年以来的变迁 ?...“有没有”部分 从人脸特征——分类器学习“两步法”转变为特征和分类器End—to—End学习 从二类分类转变为多类分类 “在哪里&有多大？”
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
