假如西班牙人保级失利,武磊该回国,仍是在此据守

足球运动能激起团队协作的战斗力,激起球员昂扬的斗志,是一项有才智、有热情的运动。

小编期望,自媒体账号运营者要爱惜好自己的权力,实行自己的责任,活跃的传达正能量。本文章由体育的芳华曙光独家发布,欢迎小伙伴们阅览。2月10日清晨1点30分,西班牙人队将会在主场对阵巴列卡诺,现在在积分榜上西班牙人队以7胜4平11负积25分排名第15位,巴列卡诺则以6胜5平11负积23分排名倒数第三,等于说西班牙人队离降级区仅差2分,假如这场竞赛西班牙人队不能制胜,就有或许堕入降级的泥潭。假如西班牙人保级失利,武磊该回国,仍是在此据守

首先谈下西班牙人的保级局势。西甲打到23轮,可以说是10队保级大乱战。现在积分榜的局势,从第11位的莱万特到第17位的赫罗纳分差都在一个胜场之间。赫罗纳比保级区的巴列卡诺也只多了1个积分。可以说,西甲后10位的这十支球队都有面临着很大的保级压力。

就算现在武磊体现的再好,又有什么呢用,究竟足球是圆的并且现在一个人的体现真的不可以翻云覆雨啊。我国球员武磊所效能的西班牙人现在以25个积分位列第15位,仅此降级区的巴列卡诺多2分,可以说是随时有掉入降级区的风险。所以,说西班牙人会降级也绝不是杞人忧天。

我觉得西班牙人真的降级的话,我仍是期望武磊可以回国的。固然去五大联赛踢球虽然是武磊的愿望,但武磊现已错失留洋的最佳年纪,已没有太大上升空间,能坚持现有的体能和情况已属不易了,我觉得西班人队签下武磊首先是出于商业考虑。

然后才是垂青武磊的才能,可是中超联赛和西甲水平仍是有距离的,武磊能否在西班牙人队站稳主力方位仍是未知数,沙龙主帅能否信赖武磊能给他多少上场的时刻,也不得而知,假如长时刻坐候补席对武磊来讲可谓因小失大,可是现在看来武磊的体现不会一直是候补的。

假如沙龙降入西乙联赛,其水平天然赶不上西甲的水平,则武磊此次留洋更显得无意义。可是除非合同上有答应归队的特别条款,不然武磊跟西班牙人签定的三年合同,不是说想来就来,想走就能走的。按西班牙人现在的情况和积分,终究降级的或许性仍是存在的。

可是我觉得清楚明了的是,下个赛季武球王就29岁了,经济上的考虑或许更重要,而自己能不能安身西甲,在西班牙人队降级的过程中,他必定有一个清醒的自我认识,详细是否留在西班牙人仍是看武磊自己的体现了,不知道我们是怎样看待这件工作的,欢迎各位的支撑。小编期望,自媒体账号运营者不诽谤,不传谣,不分布不良信息,不侵略别人合法权益,据守法令品德,严厉行为自律。修改:体育的芳华曙光/审稿:小波,本文章为作者独家原创内容,未经答应不得以任何方式转载。【图片来自网络,如有侵权联络删去】

比较C和Rust网络协议操练

经典的旧校园与新校园争辩,一个开发人员比较这两种盛行的初级编码言语。

简直是偶尔的,现实证明我在C和Rust中完结了一个十分简略但十分重要的使命,并在博客上宣布了关于它们的文章。

已然我现已完结了这两项作业,我以为议论经历的差异会很风趣。

Rust版别只要400行代码,并运用12个外部包。

C版别有911行C代码和别的140行标题,依靠于libuv和OpenSSL。

咱们两个人玩了大约两个星期的晚上。假如我全职作业,我或许会在几天内完结这项作业(但实践上或许更多)。

C版十分简略。C言语简直不存在,而且,一方面它底子不会阻碍我。另一方面,你简直能够自己脱离。例如,我有必要编写自己的过错处理代码,以保证我得到了很好的过错。我不得不仿制一些规范库中没有的字符串处理例程,我有必要一直保证我正确地开释资源。增加依靠项是您细心考虑的作业,由于它十分苦楚。

另一方面,Rust版别运用Rust具有的默许过错处理(而且自前次测验以来已大大改善)。我很断定我的过错音讯比我运用的C版别更糟糕,但这足以让你顺畅经过,所以这很好。我不得不做资源处理。一切这些都现已为我处理了,这是我开端做这个比较之前我乃至都没有考虑过的作业。

在编写C版别时,我花了许多时刻考虑代码的结构,经过它进行调试(了解正在发作的作业,由于我也学习了OpenSSL的作业方式)并查看代码是否有用。编写代码并编译它们都是我花费很少时刻的作业。

相比之下,Rust版别(尽管我从第2次做到这一点,因而我现已知道我需求做什么)让我花了许多时刻来编写代码并将其编译。在这两种状况下,我都以为我期望这是一个有价值的出产代码,这意味着处理一切过错,发生过错等等。在C中,这仅仅一个需求处理的税。运用Rust,这是一项额定的作业。

语法和言语的确很明显你想要这样做,但在我查看的大多数Rust代码中,有许多

unwrap()

调用,由于测验处理一切过错是一个太大的担负。假如你不这样做,你的代码大小会胀大,但代码的复杂性却没有,这是一件很棒的作业。

真实烦人的是,在C中,假如我遇到编译器过错,我切当地知道问题是什么,而且过错是十分本地化的。在Rust中,编译器过错或许会让我陷入困境几个小时,仅仅想弄清楚我需求做些什么才干继续前进。请注意,状况比曾经好多了,由于我终究设法抵达那里,可是花了许多时刻和精力,而且我不以为我企图探究言语的任何漆黑旮旯。

真实糟糕的是Rust本质上为你做了许多类型的推理。这很好,但这种类型的推理既能够前后也能够。因而,假如您有一个函数而且运用创立变量

HashMap::new()

,则变量 的实践类型取决于您传递给此实例的第一次运用的参数。听起来不错,前几回看起来很奇特。问题是当你有过错时,它们会复合。一个方位的过错意味着Rust没有关于代码其他部分的信息,因而会发生过错。进行更改,运转货品查看,并看到四个屏幕中的三个过错经过,然后进入“让咱们修正下一个编译器过错”一段时刻是很常见的。

当您编写代码时,类型推理位也会起作用,由于您没有在您面前的类型(而且由于Rust喜爱编写类型),因而很难了解特定办法将回来什么。

C缺少异步/等候意味着当我想进行异步操作时,我不得不将其分解为作业循环形式。在Rust,我终究运用tokio,但我以为这是一个过错。我也应该在那里运用作业循环模型。就代码可读性而言,它并不那么好,但Rust没有正确的异步/等候意味着我有更多的额定复杂性来处理,这简直让我抛弃了全体作业。

我想提一下,关于C,我现已运转了几回Valgrind以取得内存走漏和无效的内存拜访(它发现了一些,即便我特别当心)。在Rust中,编译器十分严厉,而且屡次诉苦过,假如答应的话,会引起问题。我的确喜爱这样,但大多数时分,感觉就像冲击编译器相同。

提到这一点,Rust的编译时刻十分高。即便有400行代码,编译也需求几秒钟(经过货品查看,请注意,而不是完好版别)。我不知道它会对一个规划很大的项目做些什么。

但我有必要说,编译C代码意味着我有必要测验代码。编译Rust代码意味着我能够运转它们而且它们一般有用。这很不错,但与此同时,让编译的东西屡次成为一项重要的苦差事。即便C代码不能正常作业,C的反应循环要比运用Rust短得多。其间一部分原因是我现已为我需求的大部分作业完结了作业完结,因而在编写Rust代码时我不太需求探究。

我从经历中得不到任何牢靠的定论,我喜爱C的简略性,假如我有像Go这样的东西来保证资源处理,那或许就足够了(我知道libdefer和朋友)。我发现Rust代码高雅(除了异步的东西)和规范库很棒。条件箱体系存在这一现实意味着我能够十分丰富地拜访其他库,这很简单做到。但是,Rust充溢典礼,有时看起来真的很烦人。例如,你有必要运用cargo.toml和extern crate。

要使编译器满足,还有许多作业要做。尽管它的确抓住了你有时做一些你不应该做的作业,但我发现它一般感觉就像繁忙的作业而不是其他任何东西。在某些方面,感觉Rust正在测验做太多。我原本期望看到一些不那么雄心壮志的东西。只重视一两个概念,而不是企图成为高档和初级言语,将类型揣度设置为make,借用查看器和内存安全等等。感觉这是一个十分高的穿插条,而且我没有看到这儿的优点显然是正面的。

他从耶鲁停学,两次酒驾记载,差一点就义他成为副总统的政治出路

迪克·切尼是乔治·w·布什入主白宫期间的副总统,他是共和党的坚决支撑者,可是,在这之前,切尼阅历的路途并不平整,其间阅历了许多磕磕绊绊,这些磕磕绊绊影响了他的政治观念,并终究使他登上了权利的巅峰。今日,就让咱们来看看切尼是怎么在日子和政治中找到自己正确的路途。

被耶鲁大学退学的停学生

高中毕业后,切尼被耶鲁大学选取,并取得全额奖学金,可是,由于大学期间成果欠好他两次考试不及格,而被耶鲁大学劝退。从耶鲁停学之后,切尼痛定思痛,他持续学习,在第二年考入了怀俄明州大学,并在那里取得了政治学学士和硕士学位。1966年,切尼成为了一名教授,他与妻子琳恩一同前往威斯康星大学攻读博士学位。

1968年,在攻读博士学位期间切尼成为了威斯康辛州州长沃伦·诺尔斯办公室的实习生,没过多久,切尼又被提名在威斯康辛州竞选国会议员。可是,威斯康星大学却不赞同切尼请求推延8月份的博士预科考试,仍在考虑完结学术生计的切尼只好拒绝了这次竞选。俗话说“塞翁失马焉知非福“,不久之后,切尼又得到了一个到盛顿特区国会作业的时机,一同国会还为他供给了奖学金,这次,切尼的教授们并未对立他承受份作业。1968年9月,切尼开端在华盛顿特区的国会作业。

为泰德·肯尼迪作业

切尼在国会的第一份作业是在威斯康星州共和党众议员威廉·斯泰格尔的办公室做实习生,一同,切尼还有另一项使命——为民主党参议员肯尼迪担任副新闻秘书。一同为共和党和民主党作业,为年青的切尼积累了名贵的政治财富。

切尼出生在一个民主党人的家庭(他的父亲为他的儿子与罗斯福在1月30日同一天生日而感到骄傲),但他曾在怀俄明州议会和威斯康星州与共和党人同事。所以,当民主党参议员肯尼迪要切尼担任副新闻秘书的时分,他从心底不想脱离斯泰格尔的办公室,不过,走运的是,肯尼迪赞同了他的主意,切尼在没有换作业的情况下能够一同为共和党人和民主党人处理文书作业。

拉姆斯菲尔德开端并不喜爱切尼

切尼在国会实习期间遇到的另一个人——唐纳德·拉姆斯菲尔德,其时他是伊利诺斯州的国会议员。拉姆斯菲尔德一开端对切尼并不伤风,但在阅读了切尼写给拉姆斯菲尔德的一份备忘录后,拉姆斯菲尔德开端对切尼另眼相看。拉姆斯菲尔德终究将切尼带到了经济和日子本钱委员会,切尼成为了全国基督教会的运营总监。

1971年,理查德·尼克松为应对大众对本钱上升和通胀的忧虑,决议施行价格操控,切尼协助尼克松拟定了办理经济的法规,并监督3000名担任履行的国税局(IRS)奸细,作为政府操控从薪酬到面包本钱等许多经济要素尽力的一部分,切尼对方针的掌控和对自由市场随心应手的处置引起了尼克松的重视,切尼在尼克松心中的位置得以稳固。

切尼差点与水门工作有关

1971年末,尼克松将切尼调至政府作业,协助尼克松协调了一个与竞选连任有关的署理发言人项目。随后,尼克松约请切尼参与他的竞选委员会,这个委员会是为1972年尼克松竞选连任做准备,可是切尼拒绝了尼克松的约请,而是坚持自己的方针性作业。

尼克松以压倒性的优势赢得了第二任期,但不久之后,水门丑闻爆发了——竞选连任委员会成了主角。切尼看到,他本能够与之同事的人都卷入了丑闻的余波中,有些人因而锒铛入狱。正如他在回忆录中指出的那样,成为该委员会的一员“对任何人的简历来说都将是一个沉重的担负”。

两次酒后驾车差点就义他的政治出路

尼克松因水门工作辞去职务时,切尼正在一家出资咨询公司作业。1974年8月,副总统杰拉尔德·福特成为美国总统,福特要求拉姆斯菲尔德监督过渡,在拉姆斯菲尔德的约请之下,切尼赞同和拉姆斯菲尔德一同为新总统效劳。

拉姆斯菲尔德被任命为福特的办公厅主任,切尼本来有望在拉姆斯菲尔德手下担任副幕僚长一职,可是他被发表的两起酒后驾车工作(他从耶鲁大学停学后的事)引发了美国联邦查询局(FBI)的警惕。切尼简直为这两次酒后驾车工作而就义政治出路,直到拉姆斯菲尔德出头支撑他,切尼才得以持续留在白宫,拉姆斯菲尔德离任后,切尼接任白宫办公厅主任一职,这使得34岁的切尼有时机成为美国前史上最年青的副总统。

他在国会竞选期间心脏病发生

1976年福特总统败给吉米·卡特之后,切尼搬回了怀俄明州,可是,他很快就代表自己的州发起了众议员的竞选活动。可是,在初选期间,37岁的切尼心脏病发生。

所有人都以为,切尼刚从心脏病发生中恢复过来,此刻再持续一场剧烈的政治比赛并不是最正确的做法,可是切尼不愿意辞去职务,他的医师鼓舞他坚持自己喜爱的作业。所以切尼给每一位共和党人都写了一封信,说他将戒烟(他每天大约吸三包烟),并将持续参与竞选。终究,他赢得了初选,随后中选怀俄明州仅有的众议院座位。回到华盛顿后,切尼的政治位置得以持续上升,他参与了共和党在众议院的领导层,成为老布什政府的国防部长,并终究担任小布什的副总统。

方圆视界看前史/有话说:切尼的个人阅历为咱们供给了一个十分勉励的故事,他因成果欠好而被耶鲁退学,可是他并未放逐自己,反而愈加尽力地攻读完本科、硕士直至博士学位,之后,他才有时机进入国会作业。后来,切尼由于年青时分的两次酒后驾车而遭到联邦查询局的查询,并差一点为此就义了政治出路,这件工作也提示咱们一定要珍惜自己的”茸毛“,人生路上的每一个过错,或许都会成为成功路上的拦路虎。

韩庚35岁生日,妈妈与女友卢靖珊同框好亲密,网友:准儿媳?

近日,韩庚迎来自己35岁生日,他也在微博晒出一组生日聚会时的照片,但最受网友关注的还是女友卢靖珊与韩庚妈妈。

身穿被色短袖,剃短寸头的韩庚与卢靖珊和妈妈同框合影,帅气依旧。卢靖珊也依偎在男友妈妈身边,一家三口其乐融融,想必私下关系肯定也好的不一般。

自从韩庚与卢靖珊去年2月份公布恋情后,经常能看到两人共同出席活动,感情一直非常好。再加上两人年龄也相仿,粉丝也在不停催婚,盼着能早日传来结婚的喜讯。

而这次卢靖珊与韩庚妈妈的亲密合照,让粉丝不禁猜想好事将近。但也有不少网友发现,33岁的卢靖珊与韩庚妈妈同框感觉更显老一点,妈妈实在太年轻,所以才让两人看起来年龄没有差太多。

其实作为新一代武打女星,卢靖珊保持还算不错,略显苍老都是正常,只是与韩庚更显年轻的脸同框,便感觉比男友年龄更大一点。不过不管样子如何,粉丝还是纷纷表示祝福两人!

Facebook实时人体姿势估量:Dense Pose及其使用展望

机器之心原创

作者:Olli Huang

修改:Haojin Yang

Facebook 和 Inria France 的研讨人员别离在 CVPR 2018 和 ECCV 2018 相继宣布了两篇有关「人体姿势估量」(human pose estimation) 的文章 [1] [2],用于介绍他们提出的 Dense Pose 体系以及一个运用场景「密布姿势搬运」(dense pose transfer)。

本文将扼要介绍(1)运用 Dense Pose 完结单张 2D 人体图画到 3D 外表模型的原理 ;(2)怎么将 Dense Pose 体系运用在「姿势搬运」(pose transfer)这一问题上;(3)大略展望 Dense Pose 的一些潜在运用。

Dense Pose 的更多信息以及视频 demos:

03:49

1. 什么是密布姿势估量(dense pose estimation)?

密布姿势估量 (dense pose estimation) 将单张 2D 图片中所有描绘人体的像素(human pixels),映射到一个 3D 的人体外表模型。如图 1 所示,Facebook 发布了一个名为 DensePose COCO 的大型数据集,包含了预先手艺标示的 5 万张各种人类动作的图片。

图 1:密布姿势估量的方针是将 2D 图片中描绘人体的像素,映射到一个 3D 外表模型。左:输入的原始图画,以及运用 [1] 中提出的 Dense Pose-RCNN,取得人体各区域的 UV 坐标。UV 坐标又称纹路坐标 (texture coordinates), 用于操控 3D 外表的纹路映射; 中:DensePose COCO 数据会集的原始标示;右:人体外表的切割以及 UV 参数化示意图。

2. 怎么进行密布姿势估量?

密布姿势估量的中心使命是,练习一个深度网络,用于猜测 2D 图片像素 (image pixels)与 3D 外表模型点 (surface points) 之间的密布联络 (dense correspondences)。这个使命最近现已通过依据全衔接卷积网络 [4] 的 Dense Regression (DenseReg) 体系 [3] 得到了处理。而 Dense Pose-RCNN 体系 [1],正是结合了 DenseReg 体系以及 Mask-RCNN 架构 [5]。

图 2 展现了 Dense Pose-RCNN 的级连 (cascade) 架构:这是一个全卷积网络 (fully-convolutional network),并衔接着 ROIAlign 池化层 (ROIAlign pooling),用于处理两个中心使命,别离是:(1)分类。判别图片的某一像素来自于「布景」,仍是「人体部位」;(2)回归。猜测该像素在「人体部位」的详细坐标。

图 2:Dense Pose-RCNN 的架构。

图 2 中的 ResNet50 FPN (feature pyramid networks) 将输出 feature map,然后通过 ROIAlign 模块对每一个 ROI 生成固定尺度的 feature map。图 3 展现了 ROIAlign 模块的「跨级连」(cross-cascading) 结构,这种结构运用两个辅佐使命 (keypoint estimation & mask) 供给的信息,协助进步 Dense Pose 体系的姿势估量作用。作为 Dense Pose-RCNN 根底之一的 Mask-RCNN [5] 结构,正是凭借两个相关使命(即 keypoint estimation 和 instance segmentation)供给的信息,用于进步切割作用。

图 3:Dense Pose-RCNN[1] 中的 ROIAlign 模块采用了「跨级连」(cross-cascading) 架构。

3. 骨干 (backbone) 网络关于 Dense Pose 体系的影响?

研讨人员在 [1] 中关于两种骨干网络,ResNet-50 和 ResNet-101,关于 Dense Pose 使命的体现进行了比较。如表 1 所示,在 AP 和 AR 这两个评价指标上,ResNet-101 的体现稍优于 ResNet-50,但因为大型网络较为「粗笨」,并不适用于移动运用。因而,[1] 中的其他试验均运用了 ResNet-50 作为骨干网络。

表 1: 当 Dense Pose-RCNN 运用两个不同的骨干网络时,在 COCO Minval 数据集上取得的试验成果。[1]

4. 从 Dense Pose 到 Dense Pose Transfer

除了介绍 Dense Pose 体系的架构和作业流程,研讨人员还在 [1] 中展现了一个 Dense Pose 的运用,「纹路搬运」(texture transfer)。如图 4 所示,纹路搬运这一使命的方针是,将图画中所有人的身体外表纹路,转化为预先供给的方针纹路。

图 4:Dense Pose 纹路转化 (texture transfer) 的试验成果。该使命的方针是,将输入的视频图画中所有人的身体外表纹路,转化成方针纹路。图中第 1 行为方针纹路 1 和纹路 2。第 2、3 行从左至右顺次为,输入图画,转化为纹路 1 的图画,以及转化为纹路 2 的图画。

在 ECCV 2018 上,论文 [1] 的三名作者宣布了 Dense Pose 的一个后续运用,即「密布姿势搬运」(dense pose transfer,以下简称为 DPT) [2]。与纹路转化不同的是,DPT 这一使命的方针是,依据输入的 2D 人体图画和方针姿势 (target dense pose),将输入图画中的人体姿势转化成方针姿势,而且不改动人体外表纹路。

如图 5 所示,DPT 体系以 Dense Pose[1] 为根底,而且由两个互补的模块组成,别离是(1)估测模块 (predictive module),用于依据输入图画,猜测出具有方针姿势的人体图画;(2)变形模块 (warping module),担任从输入图画中提取纹路,并「补全」(inpainting) 具有方针姿势的人体外表纹路。此外,体系中还有一个组成模块 (blending module),通过端对端、可练习的单一结构,将估测和变形模块的输出进行组成,并发生终究的图画。

图 5:密布姿势搬运(DPT) 体系的流程图。该体系包含估测模块、变形模块,以及组成模块。

图 6 展现了在 DeepFashion 数据集 [6] 上取得的 12 组姿势估量成果。每组姿势成果从左至右顺次为:输入图画、正确的方针图画、Deformable GANs (DSC) [7] 取得的搬运成果,以及 DPT 体系 [2] 取得的搬运成果。因为 DSC 是现在处理「多视角图画组成」(multi-view synthesis) 这一问题中作用最佳的办法,所以 [2] 的作者将这一办法与 DPT 体系进行比较。

从图 6 能够大略观察到 DPT 体系在纹路搬运上还不是特别完善。例如,一些女士上衣的斑纹没有被保存,并成功搬运到输出图画中;此外,人物的面部特征也在搬运中呈现一些误差:身着黄色上衣的男人图画(见图 6 右侧第 3 行),通过姿势转后,人物面部更为「女性化」。论文 [2] 的作者指出,要取得更好的姿势转化成果,或许还需求预先取得一些额定的信息,比方面部特征、性别以及肤色。

图 6:密布姿势转化(dense pose transfer)的试验成果。左右两组成果别离包含了输入图画、正确的方针图画、Deformable GANs (DSC) [7] 得到的搬运成果,以及 DPT 体系 [2] 得到的搬运成果。

5. Dense Pose 的运用展望

Dense Pose 为人体姿势估量供给了一种新的处理办法,研讨人员也在 demos 中展现了 Dense Pose 能够实时完结纹路搬运等使命。虽然 Dense Pose 还有许多需求完善的当地,它的运用远景仍是适当达观的。笔者以为 Dense Pose 未来能够在以下两个方面进行运用:

一个运用方向是,运用单一图片进行服装的虚拟试穿。顾客能够上传一张自己的全身正面照,并从体系中挑选一套需求试穿的服装,以及一个方针姿势。Dense Pose 体系则能够依据顾客供给的这些信息,发生出一张组成的图片,显现顾客「试穿」服装后的姿势。

另一个运用方向则是,长途视频确诊背部痛疾。就诊者依照医师的要求,穿戴一套专用的传感器,并顺次完结一系列动作(如上身向前倾若干度、蹲下、站直向左扭头等等)。就诊者的这一系列动作将由摄像头拍照,并生成视频实时传输给医师。一个想象是,医师能够凭借 Dense Pose 体系,依据就诊者的动作视频图画,生成就诊者的 3D 人体模型,并与背部无疾患的人体模型进行比照,然后初步判别患者是否患有背部疾病。

参考文献:

[1] Alp Güler, Rza, Natalia Neverova, and Iasonas Kokkinos. "Densepose: Dense human pose estimation in the wild." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018.

[2] Neverova, Natalia, Riza Alp Guler, and Iasonas Kokkinos. "Dense pose transfer." Proceedings of the European Conference on Computer Vision (ECCV). 2018.

[3] Alp Guler, Riza, et al. "Densereg: Fully convolutional dense shape regression in-the-wild." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017.

[4] Chen, Liang-Chieh, et al. "Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs." IEEE transactions on pattern analysis and machine intelligence 40.4 (2017): 834-848.

[5] He, Kaiming, et al. "Mask r-cnn." Computer Vision (ICCV), 2017 IEEE International Conference on. IEEE, 2017.

[6] Liu, Ziwei, et al. "Deepfashion: Powering robust clothes recognition and retrieval with rich annotations." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.

[7] Siarohin, Aliaksandr, et al. "Deformable gans for pose-based human image generation." CVPR 2018-Computer Vision and Pattern Recognition. 2018.

技能分析师的个人简介

Olli Huang 是澳门科技大学的一名博士研讨生,她的研讨方向是大规模图画检索 (large-scale image retrieval) 和图画的地理位置估量 (visual-based image geolocalization)。Olli 于 2017 年加入了机器之心的全球团队,并以自在撰稿人的身份,宣布了多篇计算机视觉运用的英文技能谈论。Olli 的机器之心主页:https://www.jiqizhixin.com/users/84204384-374e-4de0-bfc5-79eee677a8ec。Olli 的 LinkedIn 主页:https://www.linkedin.com/in/ollihuang。

本文为机器之心原创,转载请联络本大众号取得授权。