Cascade

今天主要为大家介绍美颜中人脸检测与对齐的相关算法 ，图玩智能科技为企业提供更稳定更优质的美颜产品及服务，欢迎随时咨询www.toivan.com. 人脸检测与关键点检测问题描述： 人脸检测解决的问题为给定一张图片，输出图片中人脸的位置，即使用方框框住人脸，输出方框的左上角坐标和右下角坐标或者左上角坐标和长宽。算法难点包括：人脸大小差异、人脸遮挡、图片模糊、角度与姿态差异、表情差异等。而关键检测则是输出人脸关键点的坐标，如左眼（x1，y1）、右眼（x2，y2）、鼻子（x3，y3）、嘴巴左上角（x4，y4）、嘴巴右上角（x5，y5）等。 深度学习相关算法： （1）Cascade CNN Cascade CNN 源于发表于2015年CVPR上的一篇论文A Convolutional Neural Network Cascade for Face Detection【2】，作者提出了一种级连的CNN网络结构用于人脸检测。算法主体框架是基于V-J的瀑布流思想【1】，是传统技术和深度网络相结合的一个代表，Cascade CNN包含了多个分类器，这些分类器使用级联结构进行组织，与V-J不同的地方在于Cascade CNN采用卷积网络作为每一级的分类器。整个网络的处理流程如下图所示： 整个处理流程里包含了六个网络：12-net、12-calibration-net、24-net、24

问题： Why doesn't a TRUNCATE on mygroup work? 为什么 mygroup 上的 TRUNCATE 不起作用？ Even though I have ON DELETE CASCADE SET I get: 即使我有 ON DELETE CASCADE SET 我得到： ERROR 1701 (42000): Cannot truncate a table referenced in a foreign key constraint ( mytest . instance , CONSTRAINT instance_ibfk_1 FOREIGN KEY ( GroupID ) REFERENCES mytest . mygroup ( ID )) ERROR 1701（42000）：无法截断外键约束引用的表（ mytest 。 instance ，约束 instance_ibfk_1 外键（ GroupID ）参考文献 mytest 。 mygroup （ ID ）） drop database mytest; create database mytest; use mytest; CREATE TABLE mygroup ( ID INT NOT NULL AUTO_INCREMENT PRIMARY KEY ) ENGINE=InnoDB;

数据库 数据库是数据管理的软件，有mysql，sqlite，orancle等，我们使用mysql。 https://www.liaoxuefeng.com/wiki/1177760294764384 mysql数据库的概念 mysql数据库分为数据库的存储系统和数据库的关系系统，有存储数据和管理数据的功能。他是用一种c/s架构的软件 linux下mysql数据库的安装 可以使用rpm安装 也可以使用源码安装 也可以使用一键安装包 https://blog.51cto.com/5493817/2491722 我们可以通过mysql的客户端操作我们的数据比如： mysql命令 mysql -h主机 -u用户名称 -p密码 navcate 一个图形化的工具。 phpmyadmin。使用php写的一个软件。 DML ：数据库管理语言（管理数据） DDL ：数据库定义语言（建表建库，触发器) DCL ：数据库控制语言 (权限管理，创建管理用户） mysql的库操作 新建数据库 create database 库名 查看数据库 看有那些数据库 show databases;整型 show create database 库名 进入数据库 use 名称 删除数据库 drop database 库名 mysql的表操作 查看表 查看有那些表 show tables； 查看表的详细信息 desc

阿里云ECS云服务器内存增强型实例re6实例发布，内存增强型实例re6实例搭载Intel最新处理器、更高单核内存容量，拥有更高性价比之选，码笔记分享阿里云官网发布的关于云服务器 ECS内存增强型实例re6 实例CPU内存性能评测及应用场景介绍： ECS内存增强型实例re6云服务器性能详解 阿里云ECS云服务器 内存增强型实例re6 基于神龙架构，降低虚拟化开销，性能提升30%，价格降低4.5%，拥有更高性价比。 I/O优化实例 支持ESSD云盘、SSD云盘和高效云盘 针对高性能数据库、内存数据库和其他内存密集型企业应用程序进行了优化 处理器：2.5 GHz主频的Intel ® Xeon ® Platinum 8269CY（Cascade Lake），睿频3.2 GHz，计算性能稳定 处理器与内存配比为1:16，高内存资源占比，最大支持3 TiB内存 re6实例性能评测 ECS内存增强型实例re6云服务器性能评测，全方位解读CPU、内存、网络、应用性能测试： re6实例CPU性能提升 采用2.5 GHz主频的Intel ® Xeon ® Platinum 8269CY（Cascade Lake），全核睿频3.2 GHz，算力提升30%以上。 re6实例内存性能提升 内存容量提升到1：14.8，底层环境开启Numa，内存延时大幅度降低，选配更高主频内存，带宽持续提升。

Q1、CASCADE附近有语法错误 A1：SQL SERVER没有cascade或者RESTRICt这一项，直接用drop Q2：怎样以交互式方式编写SQL脚本文件 Q3:SQL 语言分大小写吗 A3：分的情况“UNIQUE Q4:执行时显示“xx语句必须是首行“； A4:在上一段命令后输入go，再执行 --截止到5/7 Q5：重命名索引时出错，代码：alter index sno rename to SSno A5：SQL SERVER 2008没有此类语法，修改程序为：sp_rename '<被修改索引名>' ,'<修改后索引名>'; A6:SQL SERVER 2008 用drop关键词删除索引，索引前必须加文件名，如 drop index Student.Sno； Q7:向表内插入语句时，显示“ INSERT 语句与 FOREIGN KEY 约束"XXX"冲突。该冲突发生于数据库"XXX"，表"XXX", column 'XXX"。 A7:A表中A1列是B表中的外键，然而在A表中插入数据C,数据C的A1列并不在现在的B表中存在，这便是与外键约束发生。详细原理：https://blog.csdn.net/chenxiaochan/article/details/43730769 A8:可以不存在的列，查询结果是查询语句中的列名。 A9:SQL SERVER2008

链接： https://www.jianshu.com/p/b8595aee06ac CascadeType 概述 cascade表示级联操作，在hibernate配置注解 @OneToOne ，@OneToMany， @ManyToMany ，@ManyToOne中的属性 级联在编写触发器时经常用到，触发器的作用是当主控表信息改变时，用来保证其关联表中数据同步更新。若对触发器来修改或删除关联表相记录，必须要删除对应的关联表信息，否则，会存有脏数据。所以，适当的做法是，删除主表的同时，关联表的信息也要同时删除，在hibernate中，只需设置cascade属性值即可 参考 设置CascadeType，表示给当前设置的实体操作另一实体的权限，如： public class Student { @ManyToMany ( cascade = CascadeType . PERSIST , fetch = FetchType . LAZY ) private Set < Course > courses = new HashSet < > ( ) ; //其他代码略。 } 上述代码中，Student为当前实体，Course即为另一实体，允许Student实体对于Course实体进行PERSIST操作，即保存Student实体时，与之关联的Course实体也会保存，而没有这个权限

1.引言 锵锵锵，好久不见，我又肥来了，前一段时间上网找资料的时候偶然发现一篇关于人脸关键点检测的文章，应该说这篇论文是关键点检测的看山鼻祖，论文主页：http://mmlab.ie.cuhk.edu.hk/archive/CNN_FacePoint.htm，一篇中文翻译的博客：基于DCNN的人脸特征点定位。我大概看了一遍发现这个论文的思路对我有很大的帮助，同时整体神经网络结构的搭建也不算太复杂，因此决定将论文复现一下看看效果，同时我对论文提出的网络也进行了一点细微的修改，但是中间有点事所以这个计划在进行了一半后就搁浅了，直到这几天才将后续的部分完成，让我们一起看一看实现的过程。 我的训练环境是使用Python3.6，Tensorflow—gpu，CUDA9.1，CUDNN7版本，每个网络进行1000epoch训练，最终训练效果如下图所示,红色点是网络预测的坐标点，蓝色点为数据集中给出的坐标点，该网络的预测效果相对来说还是可以的，但是在嘴角部分的预测还有一定差距。 2.网络结构 论文提出的网络整体思想是将网络分为两个模块，第一模块是通过适应openCV、faster rcnn或者训练的其他网络将原始图片裁剪出人脸部分用作第二模块关键点检测的数据，由于我使用的是Kaggle上提供的人脸关键点定位数据集，因此我没有使用第一模块

基于改进Coarse-to-fine CNN网络的人脸特征点定位 原文地址：http://blog.csdn.net/hjimce/article/details/50099115 https://wenku.baidu.com/view/6a18af3a4afe04a1b171de2e.html 作者：hjimce 一、相关理论 本篇博文主要讲解2013年face++的大牛们提出粗到精人脸特征点定位算法paper：《Extensive Facial Landmark Localization with Coarse to fine Convolutional Network Cascade》，发表于2013年ICCV上的一篇用于定位多个人脸特征点的文献，实现了68个人脸特征点的高精度定位。这篇paper没有给出训练数据，也没有给出测试模型、源代码等，所以源代码需要自己写，训练数据我们需要自己到IBUG网站下载，可以下载到两千多张的训练数据，这篇paper的代码花了我两周的时间，主要是裁一些细节方面很麻烦。 我个人感觉这篇文章的创新点不是很大，基本上是在文献：《Deep Convolutional Network Cascade for Facial Point Detection》的基础上做了一点点的修改，使得我们构建的CNN模型可以用于定位更多的特征点

文章链接： https://arxiv.org/pdf/1509.06451.pdf 1、关于人脸检测的一些小小总结(Face Detection by Literature) （1）Multi-view Face Detection Using Deep Convolutional Neural Network Train face classifier with face (> 0.5 overlap) and background (<0.5 overlap) images. Compute heatmap over test image scaled to different sizes with sliding window Apply NMS . Computation intensive, especially for CPU. http://arxiv.org/abs/1502.02766 （2）From Facial Parts Responses to Face Detection: A Deep Learning Approach Keywords: object proposals, facial parts, more annotation. Use facial part annotations Bottom up to detect face from