有没有有什么软件可以整理文件夹夹内相似图片的软件？比如一个文件夹里面有几万张图片

来源：蜘蛛抓取(WebSpider) 时间：2017-09-25 00:51 标签： 有什么软件可以整理文件夹

下载百度知道APP抢鲜体验

使用百喥知道APP，立即抢鲜体验你的手机镜头里或许有别人想知道的答案。

好像没有要么你把文件夹放进壓缩包里试试看

你对这个回答的评价是？

没有今天我才发过?，不行

你对这个回答的评价是？

你对这个回答的评价是

下载百度知道APP，抢鲜体验

使用百度知道APP立即抢鲜体验。你的手机镜头里或许有别人想知道的答案

最近anchor-free的思想在CV的各个方向都大放异彩，尤其是目标检测领域多数anchor-free的目标检测算法利用对图像中特征点的定位，实现目标检测很容易看出，一个人体实例的关键点可鉯看作是一个具有两个以上（多个）角点的特殊的边界框因此可以通过将更多的输出头附加到基于anchor-free的目标检测网络来解决人体关键点定位任务。基于此产生了文章提出的端到端的人体关键点定位算法，DirectPose该算法既不属于bottom-up系列也不属于top-down系列，作者希望这类方法能够为关键點定位任务提供一个新的视角

DirectPose是一种端到端的关键点检测框架，直接将输入图像映射到对应人体实例的关键点上该算法既不属于bottom-up类算法也不属于top-down类算法，因此DirectPose避免了上述两类关键点检测算法固有的问题其即不像top-down类算法需要依赖先验的人体框，计算耗时也可以和输入图潒中人体实例的个数解耦也不像bottom-up类算法使用启发式方法将检测到的关键点分配到对应的人体实例上去。最后该算法更不需要使用现在人體关键点领域中常规的基于heatmap进行预测避免了使用heatmap而带来的固有的编解码偏差。基于本算法的框架进一步说明了我们可以使用目标检测嘚手段来解决关键点检测的任务，从而在同一个框架中同时实现这两个任务

DirectPose是在anchor-free目标检测算法FCOS的基础上，将每个像素回归的数量从4增加箌2K其中K是每个人体实例的关键点数量。换句话说算法把关键点看作一个特殊的有K个角点的边界盒。将FCOS作上述简单的替换就形成了DirectPose这個算法。且在保留原有的边界框分支的情况下得到的算法可以同时进行关键点和边界框检测。

然而能量永远是守恒的DirectPose利用直接预测关鍵点这种简单的方式，势必无法得到满意的检测结果在FCOS目标检测算法中，单个特征向量可能足以承载简单的边界框检测所需的信息但甴于人体关键点数量多且要求更精准，如下图所示这要求一个特征向量能够回归一个人体实例的所有关键点。因此这样肯定是无法得箌很精确的人体关键点位置的。本文的实验也验证了这一说法

基于上述分析，本文提出了关键点对齐(KPAlign)模块KPAlign模块尽可能将卷积特征与目標关键点（或一组关键点）对齐，然后使用对齐的特征预测目标关键点的位置避免了单个特征向量表征性不够的问题。又因为目标关键點和其对应的卷积特征大致对齐因此只需要对目标关键点附近的特征进行编码。且KPAlign模块连续可微不影响模型端到端的特性。KPAlign模块整体礻意图如下

如上图所示，KPAlign模块由对齐器和预测器构成其中对齐器由定位器和特征采样器。

对齐器由locator（定位器）和特征采样器组成并輸出对齐的特征向量。定位器本质上是3×3的卷积层可以预测关键点的大致位置。接下来特征采样器在这些位置采样特征向量。值得注意的是这些位置坐标可以是小数，且坐标是小数时可以用双线性采样获取对应位置的特征最后，对齐器可以大致对齐特征和预测的关鍵点预测器使用这些对齐的特征向量进行最终关键点预测。

将Aligner对齐器输出的特征向量输入到Predictor预测器进行最后的关键点定位预测变量包括K个卷积层（即每个关键点对应一个卷积层）。举例来说假设我们现在预测第t个关键点，φt表示第t个卷积层最终第t个关键点的位置计算公式如下，结合了采样后的结果和原始像素输出的结果

若要得到最终的关键点位置，需要使用相同的下采样率对坐标进行重新缩放為简单起见，上述公式中省略了重新缩放运算符下面将介绍三种可以提升KPAlign模块的策略。

根据上述的KPAlign模块来采样K个关键点的K个特征向量 實际上，这是不必要的因为某些关键点（例如，鼻子眼睛和耳朵）总是在相同的局部区域中。 因此作者将关键点分组，并且同一组Φ的关键点将使用相同的特征向量这会将采样的特征向量的数量从K减少到G，且不会影响精度

在前面描述的KPAlign中，所有关键点组都使用特征图F中所有的通道（256）作为输入 通过实验发现，我们发现如果对G个关键点组使用不同的特征则可以显着提高性能。 为了降低计算复杂喥将每个Ft的信道数设置为256/4=64。（这64个通道是随机的）

特征采样器从哪里采集特征

为了方便起见，上述Aligner（对齐器）中的采样器对locator（定位器）的输入特征图上的特征进行采样因此Predictor（预测器）和locator（定位器）采用相同的特征图作为输入。然而由于locator（定位器）是粗定位需要大感受野的低分辨率的高层特征；而Predictor（预测器）是精定位，需要小感受野的高分辨率的浅层特征所以上述特征输入的方式本质上存在问题。基于此本文规定若locator（定位器）使用的是PL层的特征，则Predictor（预测器）就使用PL-1层的特征

5.基于热度图进行辅助回归

另外，众所周知在一张图仩对坐标点进行直接回归是很困难的，模型将以难收敛因此之前的算法都将关键点检测任务转化为基于heatmap的像素点级别的分类任务。但由於基于heatmap的框架无法实现端到端操作因此本文使用了直接回归点的策略。作者发现回归任务可以在很大程度上受益于基于热图的学习因此，作者建议在训练期间共同学习这两个任务从而使得最终回归到的关键点更加精准。在测试时基于热图的分支被禁用，因此不会

由於是辅助训练所以不使用高斯模糊制作标签，而是直接用点进行热图预测最后由于正负样本不均匀，且难易程度不同所以最后使用focal loss進行约束。

作者对上述的几种策略做了熔断实验实验结果如下：
下表结果Baseline表示直接用文章开头提到的端到端网络进行关键点预测的结果。而第二行表示加入KPAlign策略但是不将该策略里面的Aligner（对齐器）始能而第三行表示本文提出的基于KPAlign策略的关键点检测结果。很显然特征对齐操作很影响性能

如下表所示，为上述提到的分组KPAlign使用分散的特征采样，特征采样器从哪里采集特征这三种策略作用于KPAlign中其效果依次洳下所示。很显然三种策略都是有效的。

如下表所示为基于热度图辅助训练的结果展示。很显然使用热图预测学习可以极大地提高性能。

如下表所示利用该框架同时执行人体框检测在COCO mini验证集上达到55.3AP。

下图展示了本文提出的算法与现有的bottom-up和top-down系列算法进行比对。

我要回帖

更多关于 有什么软件可以整理文件夹 的文章

 

随机推荐