madobet

## 一、简述        头部姿态估计（Head Pose Estimation ）：通过一幅面部图像来获得头部的姿态角. 在 3D 空间中，表示物体的旋转可以由三个欧拉角 (Euler Angle) 来表示：分别计算 pitch(围绕 X 轴旋转)，yaw(围绕 Y 轴旋转) 和 roll(围绕 Z 轴旋转) ，分别学名俯仰角、偏航角和滚转角，通俗讲就是抬头、摇头和转头。百闻不如一见，上示意图：                                        ## 二、原理       若对相机标定熟悉的话，就比较好理解，因为 Head Pose Estimation 比较有难度的部分已经被大牛们搞定了，一种比较经典的...

转载自： ## 定义 计算机视觉领域的姿态估计用目标相对于摄像机的平移量和旋转矩阵进行表示。 计算机视觉领域将姿态估计问题当作 N 个点的透视变化问题 (Perspective-n-Point,[PNP](https://en.wikipedia.org/wiki/Perspective-n-Point))，解决方案是对于一个标定好的摄像机，根据目标在 3 维世界坐标系中 n 个点的坐标和对应投影到 2 维图像坐标系中的点集之间的变换关系矩阵进行求解。 ## 相机运动 3D 刚性目标相对于摄像机只有两种运动关系，即平移和旋转。 ### 平移 将一个 3 维点 (X,Y,Z) 变换到另一个 3 维点 (X′,Y′,Z′)，平移有 3 个坐标系上的自由度参数，可以用一个向量...

## 本文首发于公众号：计算机视觉 life。原文链接 [重磅！头部姿态估计「原理详解 + 实战代码」来啦！​mp.weixin.qq.com ](https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxOTczOTM4NA%3D%3D%26mid%3D2247486338%26idx%3D1%26sn%3D9a02f296d08d34d4c4aed3f79101fab6%26chksm%3D97d7ee15a0a06703cd2702df2129a38933fa8262915a6df5fbd8732402166972622fd7f16325%26token%3D1577279204%26lang%3Dzh_CN%23rd) ## **写在前面** > 经过两周的文献和博客阅读，CV_Life 君终于欣 (dan) 喜 (zhan) 若 (xin) 狂 (jing) 地给各位带来 head pose estimation 这篇文章，因为刚刚入手这个方向，如有疏漏请各位多多包涵，并多多指教。废话少说，先放个 Demo 热热身。  ## **Head Pose...

**根据外媒的报道**， 由于新架构 RDNA 1.0 的出现，末代 GCN 卡皇 Radeon Vii 可能即将面临停产。这张发布不到一年的显卡真的是惨不忍睹才退幕停产？还是 AMD 专门对抗高端 NV 的临时工？ * * *  蓝宝石版 Radeon VII Radeon VII 显卡发售于 2019 年 2 月 7 日，发售价...

[Articles](https://www.microway.com/knowledge-center-articles) > Detailed Specifications of the AMD EPYC “Rome” CPUs _This article provides in-depth discussion and analysis of the 7nm AMD EPYC processor (codenamed “Rome” and based on AMD’s Zen2...

> 姚伟峰 > [email protected]] > 深度学习任务是一个计算密集型任务，所以很关注计算设备的算力指标，因为目前深度学习还是以 float32 为主流，所以落实到具体指标，就变成了大家都很关心 TFLOPS(Tera FLoat point OPerations per Second)，这里，浮点操作指的就是浮点乘法和加法操作。这个在 GPU 上是明码写在 spec 里可以查的，但 CPU 目前并不会在 spec 中暴露 TFLOPS 指标。一种方法可以通过跑 BLAS 的 benchmark 来测量的，但这个一是需要一定的操作成本，二是受软件优化的影响（所以，如果出了问题就容易不知道这是硬件能力不行还是软件优化没到位）。需要一个对硬件能力的直接估计。 在深度学习任务中，计算量的绝大部分是由协处理器 (co-processor)...

作为这个博客第一篇正经的文章，没点干货怕是镇不住场子。去年年底来了一波矿难，我也就趁显卡价格崩盘之前，卖光了我全部的显卡，然后以 500 多块的价格搞了一个二手的 RX 580 4GB。不得不说这个价格真的是香。再加上近两年来，基于面向风口编程的思想，自学了一些深度学习的知识，所以不得不好奇目前 AMD GPU 在深度学习框架加速上到底搞得怎么样了。不搜不知道，一搜吓一跳，目前关于 AMD GPU for deep learning 的讨论非常匮乏，尤其是针对 PyTorch 的讨论，英文的内容（包括官方文档）都有些过时，中文的讨论更是完全没有。本文很荣幸的能成为了~ 也许是~ 全网首发中文版 PyTorch on AMD GPU 的攻略。本篇博文主要介绍如何在容器 (Docker) 环境中部署 PyTorch on ROCm，更希望在原生 Ubuntu...

 [wutao02](https://me.csdn.net/wutao1530663) 2017-10-20 13:19:22  8550  收藏 14 最后发布: 2017-10-20 13:19:22 首发: 2017-10-20 13:19:22 ## **前言** 学完了 deeplearnning.ai 的卷积神经网络课程之后，为了更直观的理解人脸识别，我想使用 openCV 来实现人脸识别。(以下为译文) ### **目的** - 我们将学习基于 Haar 特征的人脸识别分类器的一些基础知识 - 我们还会将人脸识别扩展到人眼识别等...

[ ](https://www.jianshu.com/u/c01fd7356e58) 0.4782017.06.30 11:55:01 字数 1,609 阅读 3,233 基础 使用 Haar 基于特征的级联分类器记性物体检测是一个很有效的物体检测方法。它是一个基于机器学习的方法，从大量积极和消极的图像里训练一个级联函数。然后用来在其他图像里检测物体。 这里我们来做面部识别，初始状态下，算法需要大量积极图像 (面部的图像）和消极图像 (没有面部的图像）来训练分类器。然后我们需要从里面提取特征。这用到了下面的图像展示的 haar 特征。他们就像我们的卷积核一样，每个特征是从黑色矩形的像素和里减去白色矩形的像素和得到的一个值。  现在每个核的所有可能的大小和位置都用来计算很多的特征 (可以想象一下需要多啊的计算量，即使是一个 24x24 的窗口的结果也是超过 160000 个特征）。对于每个特征计算，我们需要找到黑色和白色方块下的像素和。要解决这个，他们提出了全景图像。它只简单的计算像素和，像素的数量可能是多大，需要运算的只是 4 个像素。这会让事情变得很快。 但是所有这些要计算的特征里，大部分是无关的，比如下面这张图像，顶上的行显示出两个号的特征，第一个选择的特征看起来集中在眼睛的区域要比鼻子和脸颊的区域要暗这个属性上。第二个选择的特征依赖眼睛比鼻梁要暗这个属性。但是应用在脸颊或者其他地方的同样的窗口是无关的，所以我们如何从 160000 + 个特整理找到最好的特征呢？可以用...

[ ](http://static.leiphone.com/uploads/new/article/pic/201511/56430de5f2839.png) 今天凌晨 ARM 在自家的技术大会中，发布了超低功耗的处理器构架 Cortex-A35（代号水星）。厂商可以根据性能和功耗需求，对它的构架进行再设计，将其用在不同的领域。 [ ](http://static.leiphone.com/uploads/new/article/pic/201511/56430a44d6e6b.png) Cortex-A 系列分为高性能、低功耗和超低功耗 3 类： - 高性能系列的代表当然是 ARM 的大核构架 Cortex A57 和 A72（还有在慢慢退市的 A15 和 A17）； - 低功耗系列的代表是高效能比的 A53，根据需求，它可以以多核，或者 big.LITTLE 大小核的形式工作； - 而超低功耗系列，在...