2020 AI Review _ A Year of Amazing Papers _ The future of AIhttps://youtu.be/DHBclF-8KwE [1] YOLOv4: Optimal Speed and Accuracy of Object Detection [2] DeepFAceDrawing [3] Learning to simulate Dynamic Enviroments with GameGAN 4[] PULSE: self-supervised photo upsamling via latent space exploration of Generative Models 5 Unsupervised Translate of program 6、PIFUHD 7 High-resolution nerual face Wrapping of visual Effiects 8 Swapping autoencoder for Deep image Manipulation 9 GPT-3： la ...

[TOC] GAN: StyelGAN StyelGAN2 CV FGVC 3D:3DFace:《A Morphable Model For The Synthesis Of 3D Faces》:1999年的论文，3D 纹理人脸重建的开山之作 3DMM: 《Basel Face Model》 2009 PRNet:《Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network》 2DASL:《Joint 3D Face Reconstruction and Dense Face Alignment from A Single Image with 2D-Assisted Self-Supervised Learning》2019 《Face Alignment Across Large Poses: A 3D Solution（3DDFA）》 论文链接：https://arxiv.org/pdf/1511.07212.pdf 代码链接：ht ...

DouZeroDMCMC + DNN(Q-table) = > DMC Sample Represent Q-Net DouZero+ 对手建模，对对手手牌的情况进行估计，确定对手手牌的近似概率分布。背后直觉是人类玩家会尝试预测对手卡牌来帮助他们自己做策略。由于斗地主的复杂性，在做决策时，很多行动可能是合适的。在这种情况下，分析对手的手牌将是非常重要的，因为掌握了这个信息，可以帮助智能体选择最佳的动作。 教练指导，构建一个新型的教练网络来选择是否进行对局，使模型可以从更有价值的数据中进行学习，而避免浪费时间。背后直觉是斗地主的结果很大程度上依赖于自身的手牌，如果一个玩家在一开始就获得了很强大的手牌，只要他在游戏中不犯错就很难输掉对局，因此智能体很难从这种对局中学到知识。 MethodA Opponent Modeling在DouZero框架的基础上加了预测模型，模型的输入是state，输出是下一个玩家手牌的概率。motivation很简单直接：人类玩家对弈的时候一般会猜牌，所以这里会对对手建模。 (a)Decision Model就是DouZero框架后面那一部 ...

DeltaDou

[TOC] 相关书籍 入门 C++ Primer Plus C++ Primer 提高 深度探索C++对象模型 More Effective C++ 35 Effective C++ 55 Effective Modern C++ 进阶篇 STL 源码剖析 C++标准库 GOF23 设计模式 C++ C++并发编程实战 C++性能优化指南 网络编程 Linux多线程-服务端编程-使用muduo c++ 网络库 Unix网络编程 三件套 TCP/UP协议 三卷 APIs标准库1.int/float to string/array:C语言提供了几个标准库函数，可以将任意类型(整型、长整型、浮点型等)的数字转换为字符串，下面列举了各函数的方法及其说明。● itoa()：将整型值转换为字符串● ltoa()：将长整型值转换为字符串。● ultoa()：将无符号长整型值转换为字符串。● gcvt()：将浮点型数转换为字符串，取四舍五入。● ecvt()：将双精度浮点型值转换为字 ...

Install by snap (Ubuntu)anbox-kernel 1234567$ sudo add-apt-repository ppa:morphis/anbox-support$ sudo apt update$ sudo apt install linux-headers-generic anbox-modules-dkms$ sudo modprobe ashmem_linux$ sudo modprobe binder_linux anbox 1$ sudo apt install anbox 链接：https://zhuanlan.zhihu.com/p/65463076 UsingDocker 点击anbox图标 adb安装Ubuntu/Debain 1sudo apt install android-tools-adb adb使用： adb logcat： 1234567891011121314//格式1：打印默认日志数据adb logcat //格式2：需要打印日志详细时间的简单数据adb logcat -v time//格式3：需要打印级别为Er ...

python 备忘录 [TOC] 简单APIFUN: 重命名目录下文件 filter lambda 123456def format_filename(dir): fs = os.listdir(dir) for f in fs: new_n = ''.join(filter(lambda ch: ch not in '# (){}#', f)) print(f, ' ----> ', new_n) os.rename(dir+f, dir+new_n) traceback123456def log_error(e): print('err:', e) print('err:', request.form) print('err file:', e.__traceback__.tb_frame.f_globals["__file__"]) # 发生异常所在的文件 print('err file line:', e.__traceback__.tb_lineno) # 发生异常 ...

image inpainting图像修复 传统的图形学和视觉的研究方法，主要还是基于数学和物理的方法。然而随着近几年深度学习在视觉领域取得的卓越的效果，视觉领域研究的前沿已经基本被深度学习占领。在这样的形势之下，越来越多的图形学研究者也开始将目光投向深度学习。在图形学和视觉交叉的领域，一系列问题的研究正在围绕深度学习火热展开，特别是在图像编辑(image editing)和图像生成(image generation)方面，已经初见成效。今天我们讨论的问题，图像补全(image inpainting)，正是介于图像编辑和图像生成之间的一个问题。 图像补全最初是一个传统图形学的问题。问题本身很直观：在一幅图像上挖一个洞，如何利用其它的信息将这个洞补全，并且让人眼无法辨别出补全的部分。这个问题对我们人类似乎很容易，比如下面这个洞，大家很容易脑补出洞里应该有窗户和门，背景是墙，如果还有一些绘画天赋的话，大概就能想象着把它补出来。但是这个任务对于计算机却显得格外困难，首先这个问题没有唯一确定的解，其次如何利用其它的信息？如何判断补全结果是否足够真实？ 以深度学习为代表的机器学习，正在逐渐席卷整个 ...

[TOC] 高分辨率 单张照片 多张照片 SISR 高清图片SRCNN [ECCV2014]开山之作，三个卷积层，输入图像是低分辨率图像经过双三次(bicubic)插值和高分辨率一个尺寸后输入CNN。 图像块的提取和特征表示，特征非线性映射和最终的重建。使用均方误差(MSE)作为损失函数。 code: http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html SCN ICCV 2015FSRCNN [ECCV2016]特征提取：低分辨率图像，选取的核9×9设置为5×5。 收缩：1×1的卷积核进行降维。 非线性映射：用两个串联的3×3的卷积核可以替代一个5×5的卷积核。 扩张：1×1的卷积核进行扩维。 反卷积层：卷积层的逆操作，如果步长为n，那么尺寸放大n倍，实现了上采样的操作。 FSRCNN与SRCNN都是香港中文大学Dong Chao， Xiaoou Tang等人的工作。FSRCNN是对之前SRCNN的改进。 主要在三个方面： ​ 一是在最后使用了一个反卷积层放大尺寸，因此可以直接将原始的低分辨率图像输入到网络中，而不是像之 ...

数据挖掘 [TOC] 奇异值分解SVD1、特征值分解EVD实对称矩阵如果有n阶矩阵A，其矩阵的元素都为实数，且矩阵A的转置等于其本身（$a_{ij}=a_{ji}$），(i,j为元素的脚标），则称A为实对称矩阵。 如果矩阵𝐴是一个$𝑚×𝑚$的实对称矩阵（即$𝐴=𝐴^T$），那么它可以被分解成如下的形式 $$A = Q \sigma Q^T=Q\left[\begin{matrix} \lambda_1 & \cdots & \cdots & \cdots\ \cdots & \lambda_2 & \cdots & \cdots\ \cdots & \cdots & \ddots & \cdots\ \cdots & \cdots & \cdots & \lambda_m\\end{matrix}\right]Q^T\tag{1-1}$$ 其中𝑄为标准正交阵，即有$𝑄𝑄^𝑇=I$，$\sigma$为对角矩阵，且上面的矩阵的维度均为𝑚×𝑚。$𝜆_ ...