mtcnn演算法

『壹』 人工智慧需要學習哪些課程

階段一是Python教學：類型與運算、語句與語法、函數、作用域、迭代和解析。模塊、面向對象編程、異常處理等);
階段二是數學：微積分、線性代數、概率基礎、貝葉斯公式、高斯分布、參數估計、資訊理論基礎等;.
階段三是框架 ：常用科學計算框架、Tensorflow等。
階段四是深度學習：機器學習基礎、卷積神經網路、循環神經網路、生成式對抗神經網等、深度強化學習等。
階段五是商業項目實戰：Tensorflow、MTCNN、CENTER LOSS人臉偵測和人臉識別、YOLOV2 多目標多種類偵測、GLGAN 圖像缺失部分補齊、NLP智能應答、語言喚醒等。

『貳』 哪家智能圖片審核平台的技術好

強烈推薦數美科技，深度融合Inception、ResNet、MTCNN、InsightFace、EAST、CRNN等模型，構建的復雜模型體系，避免單一模型的誤殺和漏殺；基於海量圖片樣本和大規模GPU計算的深度學習，圖片相似度匹配演算法，基於用戶畫像的行為分析等，高效高精準識別各類場景下的違規內容。同時，還可實時實時監測輿情趨勢，動態追蹤違規態勢，增量模型小時級更新，產品快速迭代升級，以應對網路輿情隨時可能新增的內容違規風險。

『叄』 男朋友演算法工程師好么

這周面試了一個候選人，面CV/DL/AI的TechLead。簡歷很牛逼，做過很多CV的工業項目，涵蓋detection, OCR, face recognition, fire/smoke detection等好多項目. 給我們講了45分鍾做得項目，講得很自信。我挑了一個大項目，我說你在這個項目中的貢獻是什麼？他說整個項目的所有演算法部分都是他實現的。

OK,我開始進行深度學習的技術面。

我先問了兩個深度學習的中等難度的問題，他都說不知道。有點冷場，那我趕緊問點簡單的吧。我說，深度學習網路，進行分類時有哪些loss?他猶豫了一下，回答: relu.

瞬間把見過大場面的我還有同事都震住了。

面試另外一個人，我說目前我們檢測主要用yolo，他反問了一句，怎麼不用tensorflow？

......

演算法工程師的目標既不是精通各種框架，會調各種包，也不是會發paper就是成功，而是有能力解決實實在在被提出的演算法問題。

這里的問題可能來源於業務，也可能來源於長遠的戰略部署，甚至可能來源於一次大領導的拍腦袋。不管怎麼說，個人覺得能獨立分析，拆解，建模和解決演算法問題的演算法工程師就是勝任的，否則再怎麼花里胡哨都是差勁的。

從反面回答一下，我碰到什麼樣的演算法工程師會認為他/她是優秀甚至是卓越的大佬，並選擇緊緊抱住大腿不鬆手。

本文很多觀點也是來源於不同公司的前輩們討論過這個問題，這里也感謝大家的指點。總得來說，以下幾個特點是我特別留意的，如果碰到了我就會認為這位很厲害：

基礎非常扎實。問他/她一些比較經典的演算法，能夠很清晰地說出演算法的特點、適用的場景、坑點、裡面的細節等等。
工程能力很強。我是一位「工程狗」，自己的工程能力很菜，但對工程能力強的同學非常崇拜 Orz 如果碰到一位演算法工程師的工程能力很強，僅憑這一點，我就認為他/她基本上一定是大佬Orz
重視代碼的測試。演算法崗的工作並不完全就是調參煉丹，往往也是需要去寫一些代碼的，例如寫些spark/sql代碼獲得特徵，寫模型等等。既然是寫代碼，就可以而且應該在其中加上測試。實際上，根據我的經驗，如果碰到某個其他地方好用的模型在自己的場景下效果很差（不reasonable得差），那很可能是數據、特徵的處理代碼有問題，或者模型的代碼有問題。這種問題可以用單元測試（斷言等）來提前發現，也可以用一些sanity check來發現。
對場景業務的認識很深刻。軟體工程沒有銀彈， 機器學習也沒有銀彈。 用什麼樣的特徵、什麼樣的預估目標、什麼樣的評價指標、甚至什麼樣的模型，這些東西都是要與場景業務結合的。換言之，工業屆里，業務先於技術。很多大神在這個方面做得尤其出色。
在實際場景中，注重先把整個pipeline搭建起來。個人認為，這一點在實際應用中往往應該是最優先的。搭建起來之後，機器學習系統的上下游也都可以工作，也可以更好地判斷系統的瓶頸所在，把好剛用在刀刃上。這其實就與做開發的程序設計一樣，較早地抽象出比較好的介面、搭建一個系統原型是很重要的。
能夠持續學習新的知識，跟蹤最新的成果，對各種模型的motivation有自己的理解，有自己的insight與vision。這里舉幾個我自己學習過程中碰到的例子來說明一下這點。例如，推薦系統中，在Youtube 16年的推薦paper中，為何step1和step2的優化目標是不一樣的？人臉檢測中，MTCNN為何要分為多階段？landmark檢測中，3000FPS為何要分為兩個階段？（這些是設計相關的motivation）Google的wide&deep為何在Google store的場景下效果好，而在其他的場景下效果不一定好（這是對場景的motivation理解）？文字檢測中，PixelLink為何要引入link？OCR中，CRNN為何要引入一個RNN？機器學習系統中，LightGBM是如何針對xgboost存在的哪些缺點進行改進的？（這些是對改進的motivation理解）我認識的一些大佬們會主動結合文章思考這些問題，有的時候會有與paper所claim的不同的理解（畢竟寫paper的story很多時候也不一定靠譜，大家都懂），甚至還會做實驗驗證自己的理解。然後拿這些問題來考我，在我思考不出來後再告訴我他們的理解與實驗結果Orz
做多數實驗之前有自己的假設，根據實驗結果會根據實驗結果做進一步實驗，或修正假設、或進一步探究。
自己參與的項目，對其中與自己比較相關的內容的細節比較清楚，自己負責的部分能夠了如指掌。
能系統性地分析出機器學習整個系統的瓶頸所在，並提出相應的解決方案。當系統效果不好的時候，知道如何去debug，找到問題所在，改進系統的性能

『肆』 一個小白怎麼學習人臉識別技術啊

• 首先，我們得明白人臉識別技術大概可以分為三部分：人臉檢測，人臉跟蹤，人臉對比

  

『伍』 手機，相機人臉自動對焦是什麼原理

是將人的臉、頭、眼睛、鼻子、嘴等按照形狀、色調、排列方式事先寫入相機固件或軟體內，拍照時相機進行模糊分析，當分析出目前鏡頭採集到的信息基本與人臉一致，相機就會發出指令就將焦點落在這個部位。

『陸』 圖像識別演算法都有哪些

圖像識別，是指利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術。一般工業使用中，採用工業相機拍攝圖片，然後再利用軟體根據圖片灰階差做進一步識別處理，圖像識別軟體國外代表的有康耐視等，國內代表的有圖智能等。另外在地理學中指將遙感圖像進行分類的技術。