ITPub博客

本次我们的分享是三维人脸重建问题，我们将从以下几个方面给大家进行分享：首先，我们对三维人脸重建做一个通用的介绍，并对它的常见的方进行比较详细的介绍。其次，我们对当前的三维人脸重建中最常用的一个模型，也就是3DMM模型给大家做个非常详细的介绍。在我们的传统方法和深度学习的方法中，都非常频繁地使用到了这个模型。然后，我们会对三维人脸重建中面临的一些难点进行阐述。主要包括3D数据的获取以及模型精度的问题

本次我们接着上一节内容继续分享，今天的分享内容是人脸风格化这个主题。同样我们将从以下几个方面进行分享：首先，我们会对风格化做一个简单的介绍。风格化到底是一个什么样的课题？在我们这里实际上包含了两层内容，即通用的风格化问题和与人脸有关的风格化问题。其次，我们将会对风格化中的核心算法给大家做一个简短的介绍。它主要包含了风格迁移的算法，以及人脸的分割匹配以及融合一些算法。最后，我们对风格化的应用做一个简

这次接着给大家带来人脸图像相关的分享。本次我们的分享是为大家所熟悉的人脸美颜算法，内容将从以下三个方面给大家进行分享：首先，我们会给大家介绍一下人脸美颜到底包含哪些内容？人脸美颜算法包含的内容非常的多，从我们所熟悉的磨皮祛斑算法，到大眼瘦脸算法，到美唇美发，到我们没有那么熟悉的妆容迁移算法，它包含的内容非常的多。其次，我们会对前面的这一些算法所涉及的核心技术给大家做一个简单的介绍。主要包括图像滤波

【文章首发于蜂口知道公众号，内容来源于蜂口小程序，欢迎关注了解~】作者：龙鹏，前360AI研究员算法工程师，现任陌陌深度学习实验室高级算法工程师。本次继续给大家带来的是表情识别这个问题。我们将从四个方向给大家进行分享。首先，我们会给大家科学地定义一下表情是什么？表情实际上包含了我们平常所说的表情以及微表情。其次，我们会简单地介绍一下传统方法的研究思路。传统的方法主要从静态图和动态视频两个方面进行讲

【文章首发于蜂口知道公众号，内容来源于蜂口小程序，欢迎关注了解~】hi，大家好，我是龙鹏。分享继续！这次接着假期前继续给大家分享人脸图像相关的应用。本次的分享是人脸年龄这个问题。本次的分享将包含三个方面的内容。首先，对人脸年龄这个问题做一个通用的介绍。人脸年龄实际上不仅仅是一个数值估计的问题，还包括它的表观年龄与真实年龄以及人脸年龄的年龄段的估计的问题；其次，对人脸年龄的研究方法做一个详细的介绍。

这次继续给大家带来人脸图像相关的分享。本次的分享主题是人脸的颜值。这次的分享将从三个方面：首先，我们对人脸的颜值，包括对它的定义和量化标准做一个简单的介绍。其次，我们对颜值相关的特征，主要是面部的形状、面部的纹理特征做一个介绍。这两部分特征将是颜值算法的核心。最后，我们对人脸颜值在当前环境下的应用以及它的难点做一个简短的介绍。首那么我们看第一部分。时下就是一个颜值就是正义的时代，大家都已经习惯了看

大家好，我是龙鹏。这次继续给大家带来人脸图像相关的分享。这次我们的分享是人脸的性别和脸型分类问题，我们主要会从两个方面给大家进行介绍：1）我们会对图像分类这一基本问题给大家做一个比较完整的介绍。图像的分类实际上它包含很多的内容，包括跨物种的图像分类、细粒度的图像分类、实例的图像分类以及多标签图像分类这几个领域。2）我们对人脸分类相关的问题进行一个介绍，主要包含两个类：人脸的性别和人脸的脸型。下面开

Hi，我是龙鹏。这次我将给大家带来关键点检测的分享。本次分享主要回顾一下关键点检测算法，包括传统方法和深度学习的方法。将包含以下几个方面的内容：1）我们会简单的讲述一下关键点是什么，以及它的一个发展的简史，2）我们对传统方法做一个简单的了解，主要包括ASM，AAM等模型。3）我们讲一下深度学习的思路。深度学习的思路将包含回归网络的讲述以及多尺度，多任务的学习等相关的内容。4）对人脸关键点检测的应用

这次我们接着上一节的分享，继续分享人脸检测的下半部分。这次的分享主要是深度学习相关的。我们会主要讲述当前深度学习在人脸检测这个领域的发展水平。主要从以下几个方向进行分享：首先，我们会讲讲当前主流的基于深度学习的一个人脸检测的框架，包括两个框架，一个是级联CNN框架，一个是RCNN框架。然后，我们会对深度学习的方法做一个简单的总结。最后我们对整个的人脸检测这一领域做一个展望。对人脸检测现在面临的挑战

今天我将给大家带来人脸检测的分享。这次的分享是人脸检测的上半部分的分享。这次分享的主要内容总共包含三个模块：第一模块是基本问题。在这个分享中，我们将给大家对人脸检测的基本流程以及其中的一些关键技术做一个介绍。第二模块是传统方法的介绍。我们选择的传统方法是以手动设计特征以及手动选择SVM、Adaboost这样的一些分类器的策略。其中DPM之类的方法在此不做过多的介绍。第三模块里我们对我们所选择的传统

本文首发于蜂口知道公众号~大家好，我是龙鹏，我的新系列分享《深度学习与人脸图像应用》已经在平台上上线了，这次我将给大家带来深度学习与人脸图像应用相关的分享，本次的分享将包含五个方面的内容：1）人脸与关键点的检测问题；2）人脸的性别 脸型以及颜值等识别问题；3）人脸的年龄表情识别问题；4）人脸的美颜以及风格化相关的问题；5）人脸的三维重建以及人脸的迁移等问题。这里呢，我先给大家介绍下我们的项目。在这

知识引入经过前面的系列学习，这一次终于来到了本次分享的最后一篇，我们将在这一次的分享中给大家总结一下整个的项目，包括项目的背景以及项目中使用的一些关键的技术，具体来说将包含以下内容。任务与技术应用首先我们将回顾一下我们这个任务以及它的应用背景。我们将回顾其中使用的一些关键的技术，图像分割是我们这个任务中使用的关键技术，图像分割在整个计算机视觉中，它是一个难度比较适中的技术，它广泛应用于美颜直播等领

知识引入本次我将给大家带分享如何对模型进行测试，也就是如何使用我们已经训练好的模型来测试得到我们想要的结果。本次的分享包括准备数据inference过程和对结果分析。何为inference？所谓inference就是将已经训练好的模型，用于测试得到我们想要的这个任务的结果，也就是一个图像分割的结果。在这个过程中，我们将给大家讲述如何准备我们的测试test.prototxt文件，以及如何利用caff

知识引入这一次我将给大家带来模型训练相关的分享。本次的分享将包含以下的内容：首先，我们将阐述我们的训练接口，Caffe这个平台它可以有C++，python，Matlab等训练接口，最常使用的是C++接口。我们将基于C++的环境来讲述如何进行训练。第二部分是训练细节，在这一部分中我将给大家讲述一下网络的配置以及使用迁移方法来进行训练，同时也会讲述训练相关的一些参数的配置。第三部分是训练结果分析，我们

知识引入这一次我的分享内容是模型的选择与设计，这是本次系列课程的比较核心的内容，具体将包含以下几个方面：首先，一个基础模型的介绍，我们所选择的基础模型是mobilenet的。虽然深度学习已经发展了许多年，但是实际上基础的网络模型变种其实并没有那么多。从早期的Alexnet GoogLeNet到后来的mobilenet，都是一系列经典模型的代表。很多的模型都是在这些基础模型的基础之上进行一些简单的修

本次主要和大家分享的是图像分割中的关键技术，首先对任务分析，一般在正式开始图像任务之前，我们会对任务的整个的技术方案进行一个评估，评估之后我们会选择比较简单比较稳妥的方案，也就是精简我们的任务。我们的任务是一个图像分割的任务，图像分割任务与图像分类任务不同，图像分类任务，它的输入是图片，输出是一个level，也就是一个数。而图像分割任务不同，它的输出也是一张图片，这个图片与输入的图片大小相

知识引入这次，我主要给大家分享Caffe中如何添加新的网络层。我们的任务是一个图像分割任务，在Caffe官方的框架之中，并不包含图像分割的任务，所以我们需要添加本任务相关方面的一些代码，具体来说将包含三个方面的内容：第一、添加一个新的图像分割数据层添加这个新的数据层之后，我们才能按照图像分割这样一个任务，读取我们需要训练的文件，以及将我们需要训练的文件载入内存中进行训练。第二、修改序列化文件为什么

一次我将给大家带来Caffe基本使用的一个分享。本次分享将包含以下几个内容，首先Caffe的框架的介绍，我们将简单介绍一下Caffe框架的一些基本信息。然后介绍Caffe的基本使用，包含数据格式等等。接下来我们再详细的分析一下Caffe的一个网络配置文件。最后我们将详细的介绍一下Caffe训练的参数。

这一小节我们将分享数据的准备。在所有机器学习的项目中，数据准备是至关重要的一步，也是第一步。数据的准备将包含以下几个部分，数据的获取，数据的清洗与整理以及数据的标注，我们会逐步进行分享

大家好，我是龙鹏，现在在陌陌深度学习实验室担任资深高级算法工程师，以前在360人工智能研究院担任算法工程师，目前已具有六年的计算机视觉相关的项目经验了。本次分享主要是给大家分享一下现在的直播平台，美颜应用中的一些图像技术。如果大家对我的内容感兴趣，欢迎关注蜂口微信小程序