aam中的训练过程

aam的训练过程分为两部分：对图片中物体的建模；寻找参数变化量δc和图片与模型灰度差的关系R。

对物体的建模分三步：对形状shape建模，对纹理texture建模，组合形状和纹理模型得到最终的aam模型

1. shape

在aam中，图片中的物体是手动标记出关键点的，比如人脸图像，将会被人工标记出眉毛，眼睛，鼻子，嘴巴，脸型等特征。

要注意一点的是点的存储方式。有的点由（x,y）坐标表示的话，是在笛卡尔坐标系上的，按照我们从小学习的几何知识可以在图片中正确的标出位置。然而matlab在处理图片的时候是以矩阵形式来读取的，即m行n列的形式。当我们有一张长20宽10的图片的时候，实际上在matlab中是一个10*20的矩阵（10行20列）,所以坐标系中的点（x,y）在图片中对应的像素点的位置应该是（y,x），y行x列。

（待续。。）

时间： 2024-12-25 08:23:03

aam中的训练过程的相关文章

DeepLearning tutorial（2）机器学习算法在训练过程中保存参数

我是小白,说的不是很好,请原谅 @author:wepon @blog:http://blog.csdn.net/u012162613/article/details/43169019 参考:pickle - Python object serialization.DeepLearning Getting started 一.python读取"***.pkl.gz"文件 用到Python里的gzip以及cPickle模块,简单的使用代码如下,如果想详细了解可以参考上面给出的链接. [p

OpenCV中的Haar+Adaboost（七）：分类器训练过程

本节文章讲解OpenCV中Haar+Adaboost的训练过程.此文章假定读者已经了解前面5章的内容,包括Haar特征,弱分类器和强分类器结构,以及GAB等内容. 在opencv_traincascade.exe程序中,有如下参数 如上输入的boostParams中的6个参数决用于决定训练过程: 1. 参数bt选择Boosting类型(默认GAB),本系列文章五中已经介绍了 2. minHitRate和maxFalseAlarmRate限定训练过程中各种阈值大小,文章六已经介绍了 3. 参数we

TensorFlow之tf.nn.dropout()：防止模型训练过程中的过拟合问题

一:适用范围: tf.nn.dropout是TensorFlow里面为了防止或减轻过拟合而使用的函数,它一般用在全连接层 二:原理: dropout就是在不同的训练过程中随机扔掉一部分神经元.也就是让某个神经元的激活值以一定的概率p,让其停止工作,这次训练过程中不更新权值,也不参加神经网络的计算.但是它的权重得保留下来(只是暂时不更新而已),因为下次样本输入时它可能又得工作了 三:函数介绍: tf.nn.drop(x,  keep_prob, noise_shape=None, seed=Non

（转）理解YOLOv2训练过程中输出参数含义

最近有人问起在YOLOv2训练过程中输出在终端的不同的参数分别代表什么含义,如何去理解这些参数?本篇文章中我将尝试着去回答这个有趣的问题. 刚好现在我正在训练一个YOLOv2模型,拿这个真实的例子来讨论再合适不过了,下边是我训练中使用的 .cfg 文件(你可以在cfg文件夹下找到它): 以下是训练过程中终端输出的一个截图: 以上截图显示了所有训练图片的一个批次(batch),批次大小的划分根据我们在 .cfg 文件中设置的subdivisions参数.在我使用的 .cfg 文件中 batch =

09 使用Tensorboard查看训练过程

打开Python Shell,执行以下代码: import tensorflow as tf import numpy as np #输入数据 x_data = np.linspace(-1,1,300)[:, np.newaxis] noise = np.random.normal(0,0.05, x_data.shape) y_data = np.square(x_data)-0.5+noise #输入层 with tf.name_scope('input_layer'): #输入层.将这两

深度残差网(deep residual networks)的训练过程

这里介绍一种深度残差网(deep residual networks)的训练过程: 1.通过下面的地址下载基于python的训练代码: https://github.com/dnlcrl/deep-residual-networks-pyfunt 2.这些训练代码需要和pydataset包.下面介绍这两个包的安装方法. (1)pyfunt需要安装. 用命令:pip install git+git://github.com/dnlcrl/PyFunt.git  进行下载安计.        安装时

（原）torch的训练过程

转载请注明出处: http://www.cnblogs.com/darkknightzh/p/6221622.html 参考网址: http://ju.outofmemory.cn/entry/284587 https://github.com/torch/nn/blob/master/doc/criterion.md 假设已经有了model=setupmodel(自己建立的模型),同时也有自己的训练数据input,实际输出outReal,以及损失函数criterion(参见第二个网址),则使用

平面广告设计课程中发散思维训练

广告创意是广告的生命之血,能够引起人们共鸣,促进购买欲望.而在我们生活中这样的广告实在太少了,原因主要是在创作中,创意思维模式过于机械化,难以创造出优秀的广告,创意需要灵感,需要创造性的思维模式.而在多种思维模式中,发散思维可以有效解决这个问题,对于提高学生的创新意识和设计灵感有着很重要的作用. 一.发散思维最集中地体现了创造性思维的本质和特征 创造性思维是一种借助于联想.想象.直觉.灵感,使人们的认识能突破常规.新颖独特,寻找多种解决问题的新方案或新途径的思维模式.发散思维呈现出一种扩散状态的

caffe绘制训练过程的loss和accuracy曲线

转自:http://blog.csdn.net/u013078356/article/details/51154847 在caffe的训练过程中,大家难免想图形化自己的训练数据,以便更好的展示结果.如 果自己写代码记录训练过程的数据,那就太麻烦了,caffe中其实已经自带了这样的小工具 caffe-master/tools/extra/parse_log.sh  caffe-master/tools/extra/extract_seconds.py和 caffe-master/tools/ext