weixin_42162134的博客

里面是一些用于标定的图片.标定板拍摄的张数要能覆盖整个测量空间及整个测量视场，把相机图像分成四个象限（如图1所示），应保证拍摄的标定板图像均匀分布在四个象限中，且在每个象限中建议进行不同方向的两次倾斜，图2是一组推荐摆放方式图片。 标定图片的数量通常在15~25张之间，图像数量太少，容易导致标定参数不准确。 圆或者圆环特征的像素数尽量大于20，标定板的成像尺寸应大致占整幅画面的1/4 用辅助光源对标定板进行打光，保证标定板的亮度足够且均匀 标定板成像不能过爆，过爆会导致特征轮廓的提取的偏移，从而导致圆心提取不准确

本篇是基于 NAS 的图像超分辨率的文章，PaperWeekly 社区用户 @figo 在该文公布后迅速跟进，发表分析称「属于目前很火的 AutoML / Neural Architecture Search，论文基于弹性搜索（宏观+微观）在超分辨率问题上取得了非常好的结果。这种架构搜索在相当的 FLOPS 下生成了多个模型，结果完胜 ECCV 2018 明星模型 CARNM，这应该是截止至 2018 年可比 FLOPS 约束下的 SOTA（涵盖 ICCV 2017 和 CVPR 2018）。 而达到这样的效果，论文基于一台 V100 用了不到 3 天时间。需要指出的是，该项技术具有一定的普适性，理论上可以应用于任何监督学习，值得我们关注和学习。」

丰富的背景和纹理图像的生成是各类生成模型追求的终极目标，ImageNet 的生成已然 成为检验生成模型好坏的一个指标。 在各类生成模型中，GAN 是这几年比较突出的，18 年新出的 SNGAN [1]、 SAGAN [2] 让 GAN 在 ImageNet 的生成上有了长足的进步，其中较好的 SAGAN 在 ImageNet 的128x128 图像生成上的 I n c e p t i o n S c o r e ( I S ) [3] 达到了 52 分。 BigGAN 在 SAGAN 的基础上一举将 IS 提高了 100 分，达到了 166 分（真实图片也 才 233 分），可以说 BigGAN 是太秀了

This research work explores the possibility of using deep learning to produce an autonomous system for detecting potholes on video to assist in road monitoring and maintenance. Video data of roads was collected using a GoPro camera mounted on a car. Region-based Fully Convolutional Networks (RFCN) was employed to produce the model to detect potholes from images, and validated on the collected videos. The R-FCN model is able to achieve a Mean Average Precision (MAP) of 89% and a True Positive Rate (TPR) of 89% with no false positive

根据实际应用中布谷鸟算法体现出的局部搜索能力差的问题，本文采用算法结合的方式把模拟退火算法结合其 中，同时动态更改发现概率以及搜索步长，使之变成自适应混合布谷鸟算法。利用标准测试函数进行检验，发现此结合算 法能够很好地提高算法运算质量，收敛速度较快。通过实际应用，将该算法引入到公交调度系统当中，效果较好，这为公交 系统优化研究提供了一个新颖的方法。

视频生成在计算机视觉上已经是很困难的工作了，按照描述去生成视频是更具有挑战性的工作。To Create What You Tell: Generating Videos from Captions 简称为 TGANs-C，在实验上实现了由描述的标题生成相对应的视频，这个工作很有意义，整体思想上采取 GAN 为主题框架实现，我们一起来读一下。

wordpress网站的一些对应译文,对于学习网站开发用到的wordpress资源有帮助。

wordpress网站的常见说明文档的汉化版本都在该文件之内。

本文是深度学习在推荐系统中的应用及代码集锦,这篇文章利用深度模型从评论文本中学习商品的特性和用户行为。模型名称为DeepCoNN，Deep Cooperative Neural Networks，在最后一层包含两个并行的神经网络。其中一个利用用户的评论来学习用户行为，另一个用于该商品的相关评论来挖掘商品属性。然后上面的一个共享层将这两个网络联合起来。共享层能够类似与分解机技巧来学习用户和商品之间交互作用的隐含因子。