开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

将图像上的两个点映射到另一个点

是指在图像处理中的一种操作，通常用于图像变换、图像配准或图像纠正等应用场景。这个过程可以通过计算几何变换来实现，常见的几何变换包括平移、旋转、缩放和仿射变换等。

在图像处理中，将图像上的两个点映射到另一个点的操作可以用于以下几个方面：

图像配准：将两幅或多幅图像进行对齐，使得它们在空间上保持一致。通过将两个点映射到另一个点，可以计算出图像之间的几何变换关系，从而实现图像的配准。
图像变形：通过将图像上的点映射到其他位置，可以实现图像的形状变换。例如，可以将一个人脸图像上的两个眼睛的位置映射到另一个人脸图像上，从而实现人脸变形。
图像纠正：在图像采集过程中，由于摄像头的畸变或者其他因素，图像可能会出现形变。通过将图像上的两个已知点映射到另一个点，可以校正图像的畸变，使得图像中的直线保持直线。

对于实现图像上的点映射到另一个点的操作，可以使用图像处理库或者计算机视觉库来实现。在腾讯云的产品中，可以使用腾讯云图像处理服务（Image Processing）来实现图像的几何变换和配准等操作。该服务提供了丰富的图像处理功能，包括图像变形、图像配准、图像纠正等，可以满足各种图像处理需求。

腾讯云图像处理服务产品介绍链接：https://cloud.tencent.com/product/imgpro

相关搜索:图像上的点密度将点连接到3D散点Python上的中心点将经度/经度点映射到R中的形状文件如果图像/锚点丢失，则从图像检测产生的图像将“粘合”到屏幕上将图像的锚点移动到其中心将bezier控制点映射到SVG中的d属性如何在图像的中心点上定位文本？从坐标python绘制图像上的点将缩放图表的点映射到windows窗体中的原始图表计算给定两个角点的图像的旋转度？图像上沿折线/曲线的点的有序列表 Owl carousel将两个图像显示为一个(4个图像-两个点)将坐标转换为ArcGis上的地图点将鼠标悬停在图像上时，突出显示散点图中的点将值表示半径的点集映射到半径为R的圆 TinyMCE在图像源的开头添加了两个点将两个数组中的点绘制到图中将点与双轴上的相应条对齐 Pygame:如何对图像进行blit和旋转以连接屏幕上的两个点？制作一个将一个点围绕另一个点平移的函数

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

哈希区块链游戏搭建原理分享

哈希表基于键值；并且直接访问数据结构。也就是说，它通过将键值映射到表中的某个位置来访问记录，以加快搜索速度。这个映射函数叫做哈希函数，存储记录的数组叫做哈希表。

02

进阶：用初等数学解读逻辑回归

作者：龙心尘 && 寒小阳（感谢投稿）原文：http://blog.csdn.net/longxinchen_ml/article/details/49284391 一、引言前一篇文章关于逻辑回归的很多神奇特性还没来得及深入展开，下面进一步深入。为了降低理解难度，本文试图用最基础的初等数学来解读逻辑回归，少用公式，多用图形来直观解释推导公式的现实意义，希望使读者能够对逻辑回归有更直观的理解。二、逻辑回归问题的通俗几何描述逻辑回归处理的是分类问题。我们可以用通俗的几何语言重新表述它：空间中

机器学习：用初等数学解读逻辑回归

逻辑回归问题的通俗几何描述逻辑回归处理的是分类问题。我们可以用通俗的几何语言重新表述它：空间中有两群点，一群是圆点“〇”，一群是叉点“X”。我们希望从空间中选出一个分离边界，将这两群点分开。注

变脸前奏：掌握可变编解码器

现代人工智能技术能神乎其神的将一个人的脸严丝合缝的移植到另一个人的照片或视频里，类似于ZAO这类风靡一时的应用就能让用户将指定头像切换到一段视频中的对应角色里，而且表情变化看不出任何违和感，我们本节提到的可变编解码器就能实现类似功能。

01

基于图像的三维物体重建：深度学习时代的最新技术和趋势（概述和编码）

三维重建是一个长期存在的不适定问题，已经被计算机视觉、计算机图形学和机器学习界探索了几十年。自2015年以来，利用卷积神经网络（CNN）进行基于图像的三维重建引起了越来越多的关注，并且表现非常出色。鉴于这一快速发展的新时代，本文全面综述了这一领域的最新发展，重点研究了利用深度学习技术从单个或多个RGB图像中估计一般物体三维形状的方法。

02

FPGA 上使用 SVM 进行图像处理

面部识别是一个经常讨论的计算机科学话题，并且由于计算机处理能力的指数级增长而成为人们高度关注的话题。面部识别在机器人、生物安全和汽车工业等许多领域都有广泛的应用，涉及对输入图像应用数学算法，提取不同的特征，表明所提供的图片中是否存在人脸。方向梯度直方图（HOG）是一种传统算法，用于提取图像特征，例如像素方向，并且可以与线性支持向量机（SVM）一起使用来将输入图像识别为人脸或不是人脸。

01

用StyleGAN生成“权力的游戏”人物（下）

深度学习领域发展迅速，自2014年以来，在《权力的游戏》中，与粉丝喜爱的角色死亡相比，更多的是GAN的创新。

03

学界 |「分段映射」帮助利用少量样本习得新类别细粒度分类器

作者：Xiu-Shen Wei等机器之心编译参与：Pedro、路近日，来自南京大学、旷视和阿德莱德大学的研究者在 arXiv 上发布论文，提出一种利用少量样本学习新类别细粒度分类器的新方法 FSFG 模型，该方法包含两个模块：双线性特征学习模块和分类器映射模块。后者中的「分段映射」功能是该模型的关键部分，它通过一种参数更少的方式学习一组相对易实现的子分类器，进而生成决策边界。细粒度图像识别是一个重要的计算机视觉问题。得益于复杂深层网络结构的应用，该问题解决方案的表现也越来越好。训练这种分类算法所需

02

One-Shot Unsupervised Cross Domain Translation

给出一个来自领域A的单一图像x和一组来自领域B的图像，我们的任务是生成x在B中的类似物。我们认为，这项任务可能是一项关键的人工智能能力，它强调了认知代理在这个世界上的行动能力，并提出了经验证据，表明现有的无监督领域翻译方法在这项任务上失败。我们的方法遵循一个两步过程。首先，为领域B训练一个变异自动编码器。然后，给定新的样本x，我们通过调整接近图像的层来创建A域的变异自动编码器，以便直接适应x，而只间接适应其他层。我们的实验表明，当对一个样本x进行训练时，新方法和现有的领域转移方法一样好，当这些方法享受来自领域A的大量训练样本时。我们的代码可在https://github.com/sagiebenaim/OneShotTranslation 公开。

02

CVPR 2018：阿里提出新零样本学习方法，有效解决偏置问题

大多数现有的零样本学习（Zero-Shot Learning，ZSL）方法都存在强偏问题：训练阶段看不见（目标）类的实例在测试时往往被归类为所看到的（源）类之一。因此，在广义ZSL设置中部署后，它们的性能很差。在本文，我们提出了一个简单而有效的方法，称为准完全监督学习（QFSL），来缓解此问题。我们的方法遵循直推式学习的方式，假定标记的源图像和未标记的目标图像都可用于训练。在语义嵌入空间中，被标记的源图像被映射到由源类别指定的若干个嵌入点，并且未标记的目标图像被强制映射到由目标类别指定的其他点。在AwA2，

02

干货 | 深度学习最强资源推荐：一文看尽 GAN 的前世今生

AI 科技评论按，生成对抗网络是当前最热门的技术之一，它掀起了一场技术革命，取得了很多重大的突破。不久前，伊利诺伊大学香槟分校的学生 Ajay Uppili Arasanipalai 在 Deep Learning 专栏发布了一篇文章，文章详细介绍了 GAN 自被提出以来的发展历史，以及各种相关的论文、代码和博客。AI 科技评论将他的文章编译整理如下，相关链接请点击底部【阅读原文】查看。

02

只需训练一次，即可生成3D新场景！谷歌「光场神经渲染」进化史

---- 点击上方↑↑↑“OpenCV学堂”关注我来源：公众号新智元授权【导读】NeRF的泛化性难题再被Google攻克！视图合成（view synthesis）是计算机视觉和计算机图形学交叉领域的一个重点难题，指的是从一个场景的多张图片中创建该场景的新视图。要准确地合成一个场景的新视图，一个模型需要从一小部分参考图片中捕捉多种类型的信息，比如详细的三维结构、材料和光照等。自2020年研究人员提出神经辐射场（NeRF）模型以来，这个问题也受到了越来越多的关注，大大推动了新视图合成的性能。其

01

只需训练一次，即可生成3D新场景！谷歌「光场神经渲染」进化史

---- 新智元报道编辑：LRS 【新智元导读】NeRF的泛化性难题再被Google攻克！视图合成（view synthesis）是计算机视觉和计算机图形学交叉领域的一个重点难题，指的是从一个场景的多张图片中创建该场景的新视图。要准确地合成一个场景的新视图，一个模型需要从一小部分参考图片中捕捉多种类型的信息，比如详细的三维结构、材料和光照等。自2020年研究人员提出神经辐射场（NeRF）模型以来，这个问题也受到了越来越多的关注，大大推动了新视图合成的性能。其中一个超级大玩家就是Goog

02

立体视觉的物距测量

在现代工业自动化生产过程中，计算机视觉正成为提高生产效率和检查产品质量的关键技术之一，例如机器零件的自动检测，智能机器人控制，生产线的自动监控等。

03

自监督学习如何兼顾语义对齐与空间分辨能力？清华、商汤提出「SIM」方法

机器之心专栏机器之心编辑部对于本文提出的全新自监督学习方法 Siamese Image Modeling 中，网络从同一图像的遮盖视图预测另一个增强视图的密集特征，使其兼顾 Instance Discrimination 方法的语义对齐能力和 Masked Image Modeling 方法的空间分辨能力。论文链接：https://arxiv.org/abs/2206.01204 自监督学习长久以来都是视觉领域努力追求的目标，它能够帮助我们利用大量的无标注数据，并且推动了很多下游任务的进步。为了有

02

AI综述专栏| 大数据近似最近邻搜索哈希方法综述（上）（附PDF下载）

在科学研究中，从方法论上来讲，都应先见森林，再见树木。当前，人工智能科技迅猛发展，万木争荣，更应系统梳理脉络。为此，我们特别精选国内外优秀的综述论文，开辟“综述”专栏，敬请关注。

03

Unsupervised Image-to-Image Translation Networks

大多数现有的图像到图像翻译框架——将一个域中的图像映射到另一个域的对应图像——都是基于监督学习的，即学习翻译函数需要两个域中对应的图像对。这在很大程度上限制了它们的应用，因为在两个不同的领域中捕获相应的图像通常是一项艰巨的任务。为了解决这个问题，我们提出了基于变分自动编码器和生成对抗性网络的无监督图像到图像翻译（UNIT）框架。所提出的框架可以在没有任何对应图像的情况下在两个域中学习翻译函数。我们通过结合权重共享约束和对抗性训练目标来实现这种学习能力。通过各种无监督图像翻译任务的可视化结果，我们验证了所提出的框架的有效性。消融研究进一步揭示了关键的设计选择。此外，我们将UNIT框架应用于无监督领域自适应任务，并取得了比基准数据集中的竞争算法更好的结果。

06

DALL-E 2的工作原理原来是这样！

CLIP+修改版GLIDE双管齐下。作者 | Ryan O'Connor 编译丨王玥编辑 | 陈彩娴 OpenAI的模型DALL-E 2于本月初发布，刚一亮相，便在图像生成和图像处理领域卷起了新的风暴。只需要给到寥寥几句文本提示，DALL-E 2就可以按文本指示生成全新图像，甚至能将毫不相关的物体以看似合理的语义方式组合在一起。比如用户输入提示“一碗汤是另一个次元的入口”后，DALL-E 2便生成了以下的魔幻图片。 “一碗汤是另一个次元的入口” 图源：https://openai.com/dal

02

视觉进阶 | Numpy和OpenCV中的图像几何变换

上面的图像使它不言而喻什么是几何变换。它是一种应用广泛的图像处理技术。例如，在计算机图形学中有一个简单的用例，用于在较小或较大的屏幕上显示图形内容时简单地重新缩放图形内容。

02

HDR关键技术—色域映射

HDR系列前几期为大家介绍了HDR的色调映射技术（Tone Mapping）。其中提到：在色调映射环节，为了便于操作，且不使图像颜色产生巨大失真，色调映射算法通常会仅处理图像亮度信息，将HDR图像亮度映射到SDR图像亮度域中，通过原HDR图像的颜色信息，恢复并重建SDR图像的颜色信息。由于前面的主题是色调映射，因此颜色转换相关技术，我们没有深入介绍。但颜色转换或色域映射问题（Color Transfer or Gamut Mapping），也是HDR的重要环节。本文将介绍HDR中颜色转换(或色域映射)技术，分为两个部分，第一部分介绍色域映射的定义以及相关背景知识；第二部分将介绍代表性的色域映射算法，特别对ITU中相关标准进行浅析。

05

深度学习，NLP和表征（译）

译自：https://colah.github.io/posts/2014-07-NLP-RNNs-Representations/ 发布于2014年7月7日神经网络，深度学习，表征，NLP，递归神经网络介绍在过去的几年里，深度神经网络主导了模式识别。它们将先前的艺术状态浮出水面，用于许多计算机视觉任务。语音识别也在以这种方式发展。但是，尽管有这样的结果，我们不得不怀疑，为什么它们工作得这么好？这篇文章回顾了将深层神经网络应用于自然语言处理（NLP）的一些非常显著的结果。在这样做的过程中，我希望

03

几何深度学习

深度学习很难。虽然通用逼近定理表明足够复杂的神经网络原则上可以逼近“任何东西”，但不能保证我们可以找到好的模型。

02

EXEMPLAR GUIDED UNSUPERVISED IMAGE-TOIMAGETRANSLATION WITH SEMANTIC CONSISTENCY

由于深度学习的进步，图像到图像的翻译最近受到了极大的关注。大多数工作都集中在以无监督的方式学习一对一映射或以有监督的方式进行多对多映射。然而，更实用的设置是以无监督的方式进行多对多映射，由于缺乏监督以及复杂的域内和跨域变化，这更难实现。为了缓解这些问题，我们提出了示例引导和语义一致的图像到图像翻译（EGSC-IT）网络，该网络对目标域中的示例图像的翻译过程进行调节。我们假设图像由跨域共享的内容组件和每个域特定的风格组件组成。在目标域示例的指导下，我们将自适应实例规范化应用于共享内容组件，这使我们能够将目标域的样式信息传输到源域。为了避免翻译过程中由于大的内部和跨领域变化而自然出现的语义不一致，我们引入了特征掩码的概念，该概念在不需要使用任何语义标签的情况下提供粗略的语义指导。在各种数据集上的实验结果表明，EGSC-IT不仅将源图像转换为目标域中的不同实例，而且在转换过程中保持了语义的一致性。

01

OpenCV 几何变换-图像镜像

图像镜像是图像基本的几何变换之一，实现起来也很简单，先贴上源码： #include <opencv/highgui.h> #include <time.h> #include <opencv2

自监督、半监督和有监督全涵盖，四篇论文遍历对比学习的研究进展

机器之心分析师网络作者：仵冀颖编辑：Joni 本文通过四篇相关论文对自监督学习中的对比学习（Contrastive Learning）进行了深入的探讨。自监督学习意思是使用非人工标记数据进行学习。在机器学习中，比较著名的自监督方法就是自然语言处理中的 word2vec。由此可见，与无监督学习不同，自监督中仍然存在标记，只不过，这些标记不是人类参与生成的，而是从输入数据中生成的，通常可以使用启发式算法生成标记。而在机器视觉领域，自监督学习主要有两类方法，生成类方法（Generative）和区别类方法

02

不愧是数学专业，很难发文章，博士最后一年发篇计算机的 sci2 区，也 29岁了。。

现在很多数学专业的硕博发论文，都感觉超级难。所以，有一个路子可以走，那就是发计算机方向的。

01

解密深度图像先验，使用深度图像先验来复原图像

图像恢复是指从退化图像中恢复未知真图像的任务。图像的退化可能发生在图像的形成、传输和存储过程中。这个任务有一个广泛的使用范围，卫星成像，暗光线的摄影，由于数字技术的发展，计算机和通信技术恢复退化图像是非常重要的，因此，这已经演变成一个交叉研究领域，包括图像处理，计算机视觉和计算成像。

03

分割一切深度图！港科技、南洋理工等开源「SAD」：根据几何信息分割图像

---- 新智元报道编辑：LRS 【新智元导读】SAD是第一个使用SAM直接利用渲染后的深度图提取几何信息的模型。本月初，Meta推出的一款可以「分割一切」的模型Segment Anything Model (SAM) 已经引起了广泛的关注。今天，我们向大家介绍一款名为「Segment Any RGBD（SAD）」的机器学习模型。与以往所有使用SAM的工具的不同之处在于，SAD读入的图片可以是经过渲染之后的深度图，让SAM直接根据几何信息来分割图像。该项目是由Visual Intell

02

解读 | 如何从信号分析角度理解卷积神经网络的复杂机制？

机器之心原创作者：Qintong Wu 参与：Jane W 随着复杂和高效的神经网络架构的出现，卷积神经网络（CNN）的性能已经优于传统的数字图像处理方法，如 SIFT 和 SURF。在计算机视觉领域，学者们开始将研究重点转移到 CNN，并相信 CNN 是这一领域的未来趋势。但是，人们对成效卓著的 CNN 背后的机理却缺乏了解。研究 CNN 的运行机理是当今一个热门话题。基本上，有三种主流观点：1>优化、2>近似、3>信号。前两种观点主要集中在纯数学分析，它们试图分析神经网络的统计属性和收敛性，而第三种观

08

CVPR 2018 论文简单笔记 II

该文章主要是在detection当中引入了relation的信息，个人感觉算是个很不错的切入点，而且motivation是源自NLP的，某种方面也说明了知识宽度的重要性。但是一个比较可惜的点就是，relation module更像是拍脑袋思考了一个方法然后直接去实验验证了，对于relation到底学到了什么，能不能更好地理解这个信息，作者认为这还是个有待解决的问题。期待在relation问题上能看到更多有趣的思路吧。

03

简洁生动 | 图解 DALL-E 2 工作原理

2022 年 4 月初，OpenAI 的 DALL-E2，为图像生成和处理领域树立了新的标杆。只需输入简短的文字 prompt，DALL-E 2 就可以生成全新的图像，这些图像以语义上十分合理的方式将不同且不相关的对象组合起来，就像通过输入 prompt「a bowl of soup that is a portal to another dimension as digital art」，便生成了下面的图像。

02

简洁、生动，图解「老画师」DALL-E 2的工作原理

选自assemblyai 作者：Ryan O'Connor 机器之心编译编辑：蛋酱效果惊艳的 DALL-E 2，到底是怎么工作的？ 2022 年 4 月初，OpenAI 的开创性模型 DALL-E 2 登场，为图像生成和处理领域树立了新的标杆。只需输入简短的文字 prompt，DALL-E 2 就可以生成全新的图像，这些图像以语义上十分合理的方式将不同且不相关的对象组合起来，就像通过输入 prompt「a bowl of soup that is a portal to another dimensi

05

透视投影变换矩阵推导_矩阵的投影

http://www.codeguru.com/cpp/misc/misc/math/article.php/c10123__1/Deriving-Projection-Matrices.htm，由于本人能力有限，有译的不明白的地方大家可以参考原文，谢谢^-^！

02

ECCV 2020 | 基于分割一致性的单目自监督三维重建

本文主要从二维图像及其轮廓的集合中，学习一个自监督的、单视图的三维重建模型，预测目标物体的3D网格形状、纹理和相机位姿。提出的方法不需要3D监督、注释的关键点、物体的多视图或者一个先验的网格模板。关键之处在于，物体可以表示为可形变部分的集合，在同一类别的不同实例中，每个部分在语义上是一致的。

03

大脑如何编码视觉信息？动态电极到图像(DETI) 映射技术也许有助于我们揭示其原理

人类越来越接近于了解大脑如何编码视觉信息，因为研究人员现在已经开发出一种方法，可以将随时间变化的大脑反应映射到图像，以揭示大脑如何处理视觉信息。

02

终结扩散模型，IGN单步生成逼真图像！UC伯克利谷歌革新LLM，美剧成灵感来源

当前，生成式AI模型，比如GAN、扩散模型或一致性模型，通过将输入映射到对应目标数据分布的输出，来生成图像。

01

Python+OpenCV实现增强现实（第1部分）

你可能已经(或可能没有)听过或看过增强现实电子游戏隐形妖怪或Topps推出的3D棒球卡。其主要思想是在平板电脑，PC或智能手机的屏幕上，根据卡片的位置和方向，渲染特定图形的3D模型到卡片上。图1：

07

训练自己的孪生网络（理论篇）

我的毕设选题是：基于孪生网络的苹果外观品质分级系统研究。以前只是粗略的了解过孪生网络，没有系统学习过，所以现在重新完整的学习一遍孪生网络，学习内容分为两个blog，一篇是理论内容，一篇是代码实操。

00

Python+OpenCV实现增强现实（第1部分）

你可能已经(或可能没有)听过或看过增强现实电子游戏隐形妖怪或Topps推出的3D棒球卡。其主要思想是在平板电脑，PC或智能手机的屏幕上，根据卡片的位置和方向，渲染特定图形的3D模型到卡片上。图1：隐形妖怪增强现实卡。上个学期，我参加了计算机视觉课程，对投影几何学的若干方面进行了研究，并认为自己开发一个基于卡片的增强现实应用程序将是一个有趣的项目。我提醒你，我们需要一点代数来使它工作，但我会尽量少用。为了充分利用它，你应该轻松使用不同的坐标系统和变换矩阵。 <免责声明首先，这篇文章并不是一个教

09

塔荐 | 关于GAN原理与应用的入门介绍

导读：生成对抗网络（GAN）是一类在无监督学习中使用的神经网络，其有助于解决按文本生成图像、提高图片分辨率、药物匹配、检索特定模式的图片等任务。Statsbot 小组邀请数据科学家 Anton Kar

04

深入浅出：GAN原理与应用入门介绍

选自StatsBot 作者：Anton Karazeev 机器之心编译参与：乾树、黄小天生成对抗网络（GAN）是一类在无监督学习中使用的神经网络，其有助于解决按文本生成图像、提高图片分辨率、药物匹

06

深入浅出介绍：GAN的基本原理与入门应用！

如果你觉得好的话，不妨分享到朋友圈。摘要：生成对抗网络（GAN）是一类在无监督学习中使用的神经网络，其有助于解决按文本生成图像、提高图片分辨率、药物匹配、检索特定模式的图片等任务。Statsbot

04

鱼眼摄像头畸变校正方法概述

文章：A COMPREHENSIVE OVERVIEW OF FISH-EYE CAMERA DISTORTION CORRECTION METHODS

01

使用《Deep Image Prior》来做图像复原

图像复原是指从退化的图像中恢复未知的真实图像。图像的退化可能出现在图像形成、传输和保存期间。图像复原技术广泛应用于卫星图像和低光摄影。并且由于数字技术、计算和通信技术的发展，从退化的图像中复原出原始的图像变得非常重要，这已经发展成一种与图像处理、计算机视觉以及计算成像相交叉的研究领域。

02

基础矩阵，本质矩阵，单应性矩阵讲解

最近公众号组织了ORB-SLAM2理论与代码的学习会，正常进行中，有兴趣的可以积极参与第三期：一起来学SLAM

05

相机标定

把维数为n维的向量用一个n+1维向量来表示（如x，y，z转换为x，y，z，w），齐次坐标有以下性质：

03

IBM新研究登上Nature封面：两种量子算法解决分类问题

机器学习和量子计算在技术炒作方面都达到了惊人的程度，除此之外，二者数学基础的某些方面也有着惊人的相似性。今天 Nature 发表了一篇论文《Supervised learning with quantum-enhanced feature spaces》（Havlíček 等人），研究者探索了二者的联系，展示了如今的量子计算机理论上可以怎样的方式从数据中学习。他们给出的方法是：将数据映射到只存在量子态的空间里。

03

英伟达又火了一篇图像转换论文，我们竟然用来吸猫

借助图像数据集，无监督图像到图像转换方法可以将给定类的图像映射到另一类的模拟图像，例如 CycleGAN 将马转换为斑马。虽然这种模型非常成功，但在训练时需要大量源类和目标类的图像，也就是说需要大量马和斑马的图像。而这样训练出来的模型只能转换斑马与马，作者认为这极大限制了这些方法的应用。

03

人脸识别系统FaceNet原理

近年来，随着深度学习在CV领域的广泛应用，人脸识别领域也得到了巨大的发展。在深度学习中，通过多层网络的连接，能够学习到图像的特征表示，那么两张人脸的图像，是不是可以通过深度学习判别其是否是相同的人呢？Google在2015年提出了人脸识别系统FaceNet[1]，可以直接将人脸图像映射到欧式空间中，空间中的距离直接代表了人脸的相似度。最终，FaceNet在LFW数据集上，准确率为0.9963，在YouTube Faces DB数据集上，准确率为0.9512。FaceNet的主要优化点是：

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭