写在前面Facebook开源的VideoPose3D模型致力于实现准确的人体骨骼3D重建。其效果令人惊叹，只需要使用手机相机就可以实现相似的效果。而一旦技术成熟，这种人体骨骼的三维重建在很多领域将会产生颠覆性的应用。但是到目前为止，该技术还是有很多不足，其中制约该技术商业化运用的一个最大难点在于源码理解困难，模型是纯纯黑盒。因此本文将尝试理解该论文的实现方法。介绍论文一开始就阐述了核心技术，即使用2D关键点预测3D姿势，最后再将3D姿势反向投影回原先的2D关键点(半监督方法)。并且作者声称在2D关键点预测3D时使用了时间卷积架构(temporalconvolutions)，让模型可以一次看见多
写在前面Facebook开源的VideoPose3D模型致力于实现准确的人体骨骼3D重建。其效果令人惊叹，只需要使用手机相机就可以实现相似的效果。而一旦技术成熟，这种人体骨骼的三维重建在很多领域将会产生颠覆性的应用。但是到目前为止，该技术还是有很多不足，其中制约该技术商业化运用的一个最大难点在于源码理解困难，模型是纯纯黑盒。因此本文将尝试理解该论文的实现方法。介绍论文一开始就阐述了核心技术，即使用2D关键点预测3D姿势，最后再将3D姿势反向投影回原先的2D关键点(半监督方法)。并且作者声称在2D关键点预测3D时使用了时间卷积架构(temporalconvolutions)，让模型可以一次看见多
1前言 实验表明，RNN在几乎所有的序列问题上都有良好表现，包括语音/文本识别、机器翻译、手写体识别、序列数据分析（预测）等。 在实际应用中，RNN在内部设计上存在一个严重的问题：由于网络一次只能处理一个时间步长，后一步必须等前一步处理完才能进行运算。这意味着RNN不能像CNN那样进行大规模并行处理，特别是在RNN/LSTM对文本进行双向处理时。这也意味着RNN极度地计算密集，因为在整个任务运行完成之前，必须保存所有的中间结果。 CNN在处理图像时，将图像看作一个二维的“块”（m*n的矩阵）。迁移到时间序列上，就可以将序列看作一个一维对象（1*n的向量）。通过多层网络结构，可
1前言 实验表明，RNN在几乎所有的序列问题上都有良好表现，包括语音/文本识别、机器翻译、手写体识别、序列数据分析（预测）等。 在实际应用中，RNN在内部设计上存在一个严重的问题：由于网络一次只能处理一个时间步长，后一步必须等前一步处理完才能进行运算。这意味着RNN不能像CNN那样进行大规模并行处理，特别是在RNN/LSTM对文本进行双向处理时。这也意味着RNN极度地计算密集，因为在整个任务运行完成之前，必须保存所有的中间结果。 CNN在处理图像时，将图像看作一个二维的“块”（m*n的矩阵）。迁移到时间序列上，就可以将序列看作一个一维对象（1*n的向量）。通过多层网络结构，可
总的来说卷积计算是多对一，也就是多个input，和所有kernel进行multiply+add，通道channel方向也进行add，得到一个数字。转置卷积或者说是逆卷积，是一对多的关系，是一个input和所有kernel进行multiply，通道channel方向才进行add，得到kernel_size_width*kernel_size_height个数字 1d的卷积计算即滑窗运算，卷积核kernel和Input的位置multiply然后add，K1*1+K2*2+K3*3=out1Stride=2K1*3+K2*4+K5*3=out22d的卷积计算padding=0，stride=
总的来说卷积计算是多对一，也就是多个input，和所有kernel进行multiply+add，通道channel方向也进行add，得到一个数字。转置卷积或者说是逆卷积，是一对多的关系，是一个input和所有kernel进行multiply，通道channel方向才进行add，得到kernel_size_width*kernel_size_height个数字 1d的卷积计算即滑窗运算，卷积核kernel和Input的位置multiply然后add，K1*1+K2*2+K3*3=out1Stride=2K1*3+K2*4+K5*3=out22d的卷积计算padding=0，stride=
近期开始阅读cv领域的一些经典论文，本文整理计算机视觉的奠基之作——Alexnet论文原文：ImageNetClassificationwithDeepConvolutionalNeuralNetworks（有需要论文原文的可以私信联系我）本文的阅读方法是基于李沐老师的B站讲解视频，需要细致去看的小伙伴可以去搜索，链接如下：9年后重读深度学习奠基作之一：AlexNet【论文精读】_哔哩哔哩_bilibili本文整理用于之后自己能够更快的回忆起这篇论文，所以有些地方记录的可能没那么严谨，有问题的地方欢迎各位指出和讨论，我及时修改，谢谢各位！如果该论文笔记对你有所帮助，希望可以点个赞关注一下，之后
近期开始阅读cv领域的一些经典论文，本文整理计算机视觉的奠基之作——Alexnet论文原文：ImageNetClassificationwithDeepConvolutionalNeuralNetworks（有需要论文原文的可以私信联系我）本文的阅读方法是基于李沐老师的B站讲解视频，需要细致去看的小伙伴可以去搜索，链接如下：9年后重读深度学习奠基作之一：AlexNet【论文精读】_哔哩哔哩_bilibili本文整理用于之后自己能够更快的回忆起这篇论文，所以有些地方记录的可能没那么严谨，有问题的地方欢迎各位指出和讨论，我及时修改，谢谢各位！如果该论文笔记对你有所帮助，希望可以点个赞关注一下，之后
ImageNetClassificationwithDeepConvolutionalNeuralNetworks论文地址1.研究背景：在计算机视觉领域，识别大规模图像集合是一个重要的任务。然而，由于数据量大，多样性复杂，传统的机器学习方法在此任务上面临着许多挑战。深度学习方法的出现解决了这一问题，其中卷积神经网络（CNNs）被证明在大规模视觉识别任务中非常有效。2.研究内容：本文介绍了一个基于卷积神经网络的深度学习模型，名为AlexNet。该模型通过在大规模视觉识别挑战（ILSVRC）上获得了最好的成绩，使得深度学习在视觉识别领域受到了广泛的关注。3.研究方法：AlexNet是一个由8个神经
ImageNetClassificationwithDeepConvolutionalNeuralNetworks论文地址1.研究背景：在计算机视觉领域，识别大规模图像集合是一个重要的任务。然而，由于数据量大，多样性复杂，传统的机器学习方法在此任务上面临着许多挑战。深度学习方法的出现解决了这一问题，其中卷积神经网络（CNNs）被证明在大规模视觉识别任务中非常有效。2.研究内容：本文介绍了一个基于卷积神经网络的深度学习模型，名为AlexNet。该模型通过在大规模视觉识别挑战（ILSVRC）上获得了最好的成绩，使得深度学习在视觉识别领域受到了广泛的关注。3.研究方法：AlexNet是一个由8个神经
