随笔分类 - 每周总结
摘要：今天的学习内容主要是细分（Subdivision），这样就结束了几何的课程，下节课将引入光线追踪了（ 预习内容：虎书——第 4 章（Ray Tracing） ），闫老师在光线追踪方面有很深的造诣，让我们后续拭目以待。 另外，这堂课提到一个大新闻，时隔32年，计算机图形学再次获得了图灵奖，关于 和`P
阅读全文
摘要：论文连接： "Going deeper with convolutions" 之所以名为“GoogLeNet”而非“GoogleNet”,文章说是为了向早期的LeNet致敬。在2014年的ImageNet图像识别挑战赛中，⼀个名叫GoogLeNet的⽹络结构⼤放异彩 。它虽然在名字上向LeNet致敬
阅读全文
摘要：转载博客：https://www.cnblogs.com/superdrew/p/10325028.html 我们在GitHub上使用最多的除了开源自己的项目之外，就是利用GitHub找到自己想要的开源项目学习了。 那么，如何快速的使用GitHub找到自己想要的开源项目就很重要了！ 快速查询的技巧如
阅读全文
摘要：在图形学中涉及多种数据结构，下面介绍三种常见的数据结构： 一、翼边数据结构( Half Edge) 翼边数据结构（又名“半边数据结构”）由美国Stanford大学的B. G. Baumgar t提出，用于存储镶嵌几何模型。对于管理镶嵌格发生变化的模型是很有用的，如在子分或者简化过程中发生变化。 翼边
阅读全文
摘要：LeNet、AlexNet和VGG在设计上的共同之处是：先以由卷积层构成的模块充分抽取空间特征，再以由全连接层构成的模块来输出分类结果。 其中，AlexNet和VGG对LeNet的改进主要在于如何对这两个模块加宽（增加通道数）和加深。本节我们介绍⽹络中的⽹络（NiN）—— 它提出了另外⼀个思路，即串
阅读全文
摘要：今日学习内容（“显式表达法”更新在 "Lecture10_几何1（介绍）_GAMES101 课堂笔记" 中）： 第一部分：曲线（Curves） 曲线在建筑设计、动画中三维建模场景中被广泛应用，以及字体中也被广泛应用，因此无论字体多么大，均不会出现锯齿现象。 一、贝塞尔曲线（Bézier Curves
阅读全文
摘要：AlexNet在LeNet的基础上增加了3个卷积层。但AlexNet作者对它们的卷积窗⼝、输出通道数和构造顺序均做了⼤量的调整。虽然AlexNet指明了深度卷积神经⽹络可以取得出⾊的结果，但并没有提供简单的规则以指导后来的研究者如何设计新的⽹络。 VGG，它的名字来源于论⽂作者所在的实验室Visua
阅读全文
摘要：在上一篇提到的LeNet中，虽然LeNet可以在早期的⼩数据集上取得好的成绩，但是在更⼤的真实数据集上的表现并不尽如⼈意。因为： 1. 神经⽹络计算复杂；训练⼀个多通道、多层和有⼤量参数的卷积神经⽹络在当年很难完成。 2. 当时没有⼤量深⼊研究参数初始化和⾮凸优化算法等诸多领域，导致复杂的神经⽹络的
阅读全文
摘要：课程回顾 这是课程7、8、9的上课内容： 本节课内容： 几何基础 几何实例 几何的表示法 几何应用举例 通过几个例子开启本节课的总结，下面主要列举4个例子： 下图中是一些不同几何形状的杯子，会涉及如何设计出这些形状； 下图中的汽车引擎盖是非常光滑的曲面，会涉及如何用计算机模拟出如此光滑的面； 下图中
阅读全文
摘要：论文名称：You only look once unified real time object detection "论文链接" YOLO v1算法是发表在CVPR 2016年的文章，。YOLO是目前比较流行的object detection算法，速度快且结构简单，其他的object detect
阅读全文
摘要：最近在进行图形学相关实验时，会用到VS 2017，虚拟机里的VScode卡得小宇宙爆发，索性就在本地进行配置吧。这个过程主要需要配置 opencv 和 Eigen 线代库。下面是配置教程： 一、VS2017 配置OpenCV 这是我看到的最详细的配置教程： "VS2017配置opencv教程（超详细
阅读全文
摘要：今天主要学习了利用torch中的nn模块定义 类，下面的代码包含对于模型类的构建以及参数访问，简便的可以使用‘net = nn.Sequential(NestMLP(), nn.Linear(30, 20), FancyMLP())’构建模型，默认进行初始化。 输出结果 输出结果 输出结果 输出结果
阅读全文
摘要：在图像处理中，锯齿一直是一个大问题，因此图像中的抗锯齿（Anti_aliaing，简称AA），也被称为边缘柔化、消除混叠、抗图像折叠有损等。AA主要是处理图像有锯齿的边缘，使其图像更清晰清晰。下面有一些反锯齿的常用技术： 一、多重采样抗锯齿（MSAA） 多重采样抗锯齿（MultiSampling A
阅读全文
摘要：今天两眼睁着的时间是假期创纪录的多，但是没有好好利用吧。因为与太多人进行联系，干扰了自己的生活规律，粗略估计社交时间比平日多花掉了4个多时。哈哈哈哈，想到一个有趣的个性签名：忙到没朋友。哈哈哈^_^ 上午主要是配置了图形学课程中用到的虚拟机，记录下配置过程中遇到的小问题吧： 一、网盘下载 Pando
阅读全文
摘要：占个位。。
阅读全文
摘要：今日学习内容概览： 第一部分：光栅化 一、画家算法（Painter’s Algorithm） 画家算法的操作是 从远至进 一层一层画，最终将画像完整。 但是，缺点是如果画像没有很明显的逻辑层次，画家算法将不适用。例如下图： 为了解决这个矛盾，于是进行改进发明了 ” Z Buffer “ 算法。 二、
阅读全文
摘要：⽐赛数据分为训练数据集和测试数据集。两个数据集都包括每栋房⼦的特征，如街道类型、建造年份、房顶类型、地下室状况等特征值。这些特征值有连续的数字、离散的标签甚⾄是缺失值“na”。只有训练数据集包括了每栋房⼦的价格，也就是标签。我们可以访问⽐赛⽹⻚，下载这些数据集。 一、导包 二、导入数据 输出结果：
阅读全文
摘要：一、衰减和爆炸 当神经⽹络的层数较多时，模型的数值稳定性容易变差。例如假设权重分别为0.2和5，$0.2^{30} \approx 1\times 10^{ 21}$(此时得到一个很小的数，会导致神经元学习非常慢，从而导致 衰减 。),$5^{30} \approx 9\times 10^{20}$
阅读全文
摘要：一、正向传播 （ 一 ） 定义 正向传播是指对神经⽹络沿着从输⼊层到输出层的顺序，依次计算并存储模型的中间变量（包括输出）。 为简单起⻅，假设输⼊是⼀个特征为 $x \in R^d$ 的样本，且不考虑偏差项，那么中间变量: $$z = W^{(1)}x$$ 其中 $$W^{(1)} \in R^{h
阅读全文
浙公网安备 33010602011771号