AI 研究所马普所 MIP-virtualhumans CV， 3D ​ http://virtualhumans.mpi-inf.mpg.de/publications.html DeepMind 游戏，机器博弈 Uwa - 西澳大学-工程数学学院 ​ 世界排名前100， 澳洲八校联盟成员 ​ https://www.uwa.edu.au/ems/home ​ http://staffhome.ecm.uwa.edu.au/~00053650/recognition.html 清华 ​ Aminer: 科技情报大数据挖掘与服务系统平台 中科院 微软研究院 Google研究院 FaceBook研究院 阿里 百度 腾讯 字节跳动 - 今日头条 - 西瓜视频 - 抖音（孵化）计算机图形学与混合现实在线平台 http://games-cn.org/ AIGC汇聚OOAIOO AI工具集合

[TOC] 官网下载 x86_64-posix-seh VSCode配置参考 CSDN VS Code gcc配置C++环境（Mingw-w64） C/C++ for Visual Studio Code 123456789# cltr+shift+P 打开命令面板# 1 输入C/C++ 选择编辑配置Ui- c_cpp_properties.json# 2 输入tasks 选择任务-配置默认构建任务- tasks.json# 3 输入launch，选择调试，打开launch.json- launch.json# 4 运行配置（auto gen）- settings.json 运行： ​ 1、终端–运行生成任务（Ctrl+Shift+B） ​ 2、F5 调试（Ctrl+F5 运行） Cmake 参考 CSDN Visual Studio Code 中 CMake 插件的基本使用 五分钟学会使用cmake创建visual studio工程 1234567891011121314151617# 新建项目# 插件市场安装 Cmake Tools# 创建CmakeList.tx ...

[TOC] Tools-Ubuntu-Desktop install1、Ubuntu Desktop 官网：https://www.ubuntugeek.com/install-gui-in-ubuntu-server.html We have already discussed how to install ubuntu 9.04 LAMP server .If you are a new user and not familiar with command prompt you can install GUI for your ubuntu LAMP server using the 2 options 1) Install desktop Environment 2) Install Webmin 1) Install desktop Environment First you nee to make sure you have enabled Universe and multiverse repositories in /etc/apt/sources.list file o ...

开源3D人脸重建项目整理[TOC] 本文主要总结了经典3D人脸重建开源算法，如有遗漏请大家提醒补充。 〇、基础1. 3DMM 19993D Morphable Model 《A Morphable Model For The Synthesis Of 3D Faces》 1999 提出人脸的一种线性表示方法 所有三维人脸是已经进行稠密对齐(3D face registration)的，即所有的三维人脸都能用相同的点云数或面片数来表示，且相同序号的点代表相同的语义 The model has 53K vertices and 106K faces. 3D 人脸建模 介绍 + code 3DMM的传统优化方法 | 阮明康 12345678910111213141516171819202122def split_coeff(self, coeffs): """ Return: coeffs_dict -- a dict of torch.tensors Parameters: coeffs -- torch.tens ...

[TOC] 3D Body Model reStructureSMPLifySMPLR SMPL-X MIP-virtualhumanshttp://virtualhumans.mpi-inf.mpg.de/publications.html [CVPR, 2020] 3D Shape Restruction: Julian Chibane, Thiemo Alldieck, Gerard Pons-MollImplicit Functions in Feature Space for 3D Shape Reconstruction and Completionin IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2020. BibTeX PDF [CVPR,2020] 3D Human Texture (mir-pix-suf) Aymen Mir, Thiemo Alldieck, Gerard Pons-MollLearning to Transfer Texture from Clo ...

[toc] NRL:Network representation learningNRL(网络表示学习) GE(Graph Embedding图嵌入) ：侧重于降维； 更加强调是传统的图表示方法，比如LLE，LE，GF等 NE(Network Embedding网络嵌入)： 侧重是对于后来这种分布式假设的表示方法；比如Deepwalk，node2vec，LINE等。它们不仅关注降维任务，还更加强调要尽可能大的保存网络属性，比如高阶的近邻关系或者网络中的某些特性（如同质性/结构等价性等）。 关于NRL/GE/NE的相关理论和文献: 《A Tutorial on Network Embeddings》. //这是今年Deepwalk团队的作者给的综述（教程），写的很好。 《Graph Embedding Techniques, Applications, and Performance: A Survey.》 //该文写的比较浅显，但整体上不错，适合初学者，并且提供了GEM工具包。 《A Comprehensive Survey of Graph Embedding: Problems, ...

人脸属性分析–性别、年龄和表情识别开源集合人脸属性指的是根据给定的人脸判断其性别、年龄和表情等，当前在github上开源了一些相关的工作，大部分都是基于tensorflow的，还有一部分是keras，CVPR2015曾有一篇是用caffe做的。 1、CVPR2015 caffe实现 https://github.com/GilLevi/AgeGenderDeepLearning 2、CVPR2015对应的tensorflow实现 https://github.com/dpressel/rude-carnie 3、DEX: Deep EXpectation 实现 https://github.com/truongnmt/multi-task-learning 4、CVPR2017 Age progression/regression by conditional Adversarial Autoencoder https://github.com/ZZUTK/Face-Aging-CAAE 5、使用inception v1同时预测性别和年龄，受限于使用的dlib检测器，效果并不是很好 ...

[toc] 开源数据集-物体识别：Cifar10：go: ref:http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz http://www.cs.toronto.edu/~kriz/cifar-10-matlab.tar.gz http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz 该数据集文件包含data_batch1……data_batch5，和test_batch。他们都是由cPickle库产生的序列化后的对象（关于pickle,移步https://docs.python.org/3/library/pickle.html）。 12345def unpickle(file): import pickle with open(file, 'rb') as fo: dict = pickle.load(fo, encoding='bytes') return dict Cifar100 go: Version Size md5sum CIFAR-1 ...

瑜伽动作索引[TOC] 站式123456789101112131415161718192021222324Tadasana—Mountain Pose（山式）Variation: Samasthiti—Equal Standing, Prayer Pose（山式变式）Utkatasana—Chair Pose, Awkward Pose（椅式）Uttanasana—Standing Forward Bend（站立前屈式）Utthita Hasta Padangusthasana—Extended Hand Toe Pose（手拉脚单腿直立式）Variation: With Spine Flexed（脊柱屈曲式）Vrksasana—Tree Pose（树式）Variation: With Arms Elevated（抬手树式）Garudasana—Eagle Pose（鹰式）Natarajasana—King of the Dancers Pose（舞王式）Virabhadrasana I—Warrior I（勇士式I）Variation: With Longer Stance（长站姿式 ...

NVlab [TOC] VAE生成模型Variational autoencoder == 变分自编码器 可以输入一个低维空间的Z，映射到高维空间的真实数据。比如，生成不同样的数字，人脸，卡通头像等等。 2）VAE与GAN之间的差异性 既然VAE与GAN都是属于最近很火的生成网络序列，那么他们之间有什么不同呢？ 假设，给定一系列猫的照片，我希望你能够对应我随机输入的一个n维向量，生成一张新的猫的照片，你需要怎么去做?对于GAN就是典型的深度学习时代的逻辑，你不是不清楚这个n维向量与猫的图片之间的关系嘛，没关系，我直接拟合出来猫的图片对于n维向量的分布，通过对抗学习的方式获得较好的模型效果，这个方法虽然很暴力，但是却是有效的。(暴力求解) VAE则不同，他通过说我希望生成一张新的猫脸，那么这个n维向量代表的就是n个决定最终猫脸模样的隐形因素。对于每个因素，都对应产生一种分布，从这些分布关系中进行采样，那么我就可以通过一个深度网络恢复出最终的猫脸。VAE相比较于GAN它的效果往往会略微模糊一点，但是也不失为一种良好的解决方案。并且相对于GAN的暴力求解，VAE的建模思路无疑要复杂的多 ...