Cocos2d-x 是一套成熟的开源跨平台游戏开发框架。引擎提供了图形渲染、GUI、音频、网络、物理、用户输入等丰富的功能， 被广泛应用于游戏开发及交互式应用的构建。其核心采用 C++ 编写，支持使用 C++、Lua 或 JavaScript 进行开发。
BDD100K是最大的开放式驾驶视频数据集之一，其中包含10万个视频和10个任务，目的是方便评估自动驾驶图像识别算法的的进展。每个高分辨率视频一共40秒。该数据集包括超过1000个小时的驾驶数据，总共超过1亿帧。这些视频带有GPU / IMU数据以获取轨迹信息。该数据集具有地理，环境和天气多样性，从而能让模型能够识别多种场景，具备更多的泛化能力。这些丰富的户外场景和复杂的车辆运动使感知任务更具挑战性。该数据集上的任务包括图像标记，车道检测，可驾驶区域分割，道路对象检测，语义分割，实例分割，多对象检测跟踪，多对象分割跟踪，领域自适应和模仿学习。我们可以在BDD100K数据网站上下载数据。
本篇博客讲解: Cocos2d-x介绍与环境搭建 1.移动平台游戏引擎介绍 2.Cocos2d家谱介绍 3.Cocos2d-x设计目标 4.在Windows平台下开始开发Cocos2d-x游戏
接触Cocos2d-x ---- 最近由于公司项目的需要，自己开始接触Cocos，开始做一些简单的轻量级的游戏，以前没有接触过这一块的东西，也是借助这个机会学习一下游戏的开发，由于以前自己接触的全都是iOS和Android移动端App的开发，所以这整个Cocos的学习总结的文章会在真个过程中贯穿对比自己相对熟悉的iOS和Android对比学习，要是也有和我自己情况类似的朋友，接下来总结的这整个Cocos系列的文章也许可以帮助到你，有不足的地方也希望指正，我们一同进步。 刚开始的时
作者：Irwan Bello、Barret Zoph、Ashish Vaswani、Jonathon Shlens、Quoc V. Le
关于Win7下配置Coco2d-x的Android开发环境，可以参考子龙山人的博客：Setting Up Cocos2d-x Android Development on Win7,这篇文章写得很详细，包括cocos2d-x 2.x版本、VS2010、JDK、Android、cygwin的下载、安装配置等等，该文章使用的版本是:Cocos2d-x 2.2.x。
Root 编译整理 量子位 出品 | 公众号 QbitAI Facebook人工智能研究院和法国国立计算机及自动化研究院最近提出了一种密集人体姿态估计新方法：DensePose-RCNN，同时宣布即将
左图：输入；中图：对应的 DensePose-RCNN 结果；右图：人体分割和 UV 参数化。
[4] - Rendering Face and Hands Without Pose：
原论文名为《Objects as Points》，有没有觉得这种简单的名字特别霸气，比什么"基于xxxx的xxxx的xxxx论文"帅气多了哈。
如今，体育运动的热潮日益流行。同样，以不正确的方式进行运动的风险也在增加。有时可能会导致严重的伤害。考虑到这些原因，提出一种以分析运动员的关节运动，来帮助运动员纠正姿势的解决方案。
原文：Github 项目 - YOLOV3 的 TensorFlow 复现 - AIUAI
选自arXiv 作者：Rıza Alp Güler, Natalia Neverova, Iasonas Kokkinos 机器之心编译 参与：Panda 实现从 2D 图像到 3D 表面的对应在很多方面都有极具价值的应用前景。近日，FAIR 发布了一篇研究论文，介绍了他们通过人工方式标注的图像到表面密集对应数据集 DensePose-COCO 以及基于此训练的 DensePose-RCNN 架构，得到了一个能实时地得到高准确度结果的系统。该研究发布后得到了广泛的关注，机器之心在此对该论文进行了摘要介绍，更
近十年来，目标检测已经成为计算机视觉领域的核心话题。这种日益增长的兴趣源于自动驾驶、人群计数、异常检测和智能视频监控等新挑战。因此，多年来已经开发出了许多创新型的神经网络，如Faster R-CNN [4]，YOLO [5]，SSD [6]和DETR [7]。大多数这些架构的性能都是通过像Pascal VOC [8]，Open Images [9]和MS-COCO [1]这样的广泛使用的数据集进行评估和比较的。
因为在ICIP2019上面和两位老师搞了一个关于人体姿态估计以及动作行为的tutorial，所以最近整理了蛮多人体姿态估计方面的文章，做了一个总结和梳理，希望能抛砖引玉。
写这篇博客时2D游戏引擎Cocos2d-x的最新版本为2.1.4，记得很久以前使用博客园博主子龙山人的一篇博文《Cocos2d-x win7+vs2010配置图文详解(亲测)》成功配置过cocos2d-1.01-x-0.9.1版本，链接为：Cocos2d-x win7 + vs2010 配置图文详解（亲测）-来自子龙山人的博客，他写的博客图文并茂，很是详细。
大家可能还记得，今年2月Facebook发布的，人体姿势实时识别系统DensePose。
💡💡💡本文全网独家改进：1)引入了一种新颖的多尺度特征融合iAFF；2）为了轻量级部署，和GhostConv有效结合在边缘端具有竞争力的准确性
SSD失败之后就挺失望的，而且莫名其妙，于是转向YOLO了，其实object detection领域可选的模型并不多，RCNN系列我是大概看过的，还写过：RCNN系列，但是这种location和classification分开的思路，要达到实时的话我的硬件条件肯定是不可能的。YOLOV3我是在TX2上跑过的:YOLOV3-TX2跑起来,而且YOLO是有简化版本的模型的，对于简单应用应该是够了。 因为以前跑过，整体的流程走下来还算比较顺利，比起SSD来说，训练时要修改的代码也比较少，可能留给犯错的概率就少一些。 我分以下几个部分：
2013 DeepPose（2013.12，google） 第一个将深度学习应用于humanPose，fc层后面直接暴力回归xy坐标。 2014 Joint-cnn-mrf（2014.06，纽约大学的LeCun组） 第一个采用heatmap的方式来回归出关键点。 SpatialDropout（2014，纽约大学的LeCun组） 第一个采用多尺度fm。 MPII 数据集（2014） 此前的大部分paper都是基于FLIC以及LSP来做评估的，但是在深度学习时代，数据量还是相对偏少（K级别）。 MPII把数据量
2D Human Pose Estimation (以下简称 2D HPE )旨在从图像或者视频中预测人体关节点（或称关键点，比如头，左手，右脚等）的二维空间位置坐标。2D HPE 的应用场景非常广泛，包括动作识别，动画生成，增强现实等。
来源丨https://zhuanlan.zhihu.com/p/406918022
coconut是一个在python基础上开发的组件，它完美支持python3的所有语法。并且扩展改善了一些新的语法。使用coconut可以转化出可运行的python程序，这个python程序可运行于python的任何版本，包括python2。
1、先从官方站点（www.cocos2d-x.org）下载 Cocos2d-x-3.2文件。
本文主要讲解CenterNet的loss，由偏置部分（reg loss）、热图部分(heatmap loss)、宽高(wh loss)部分三部分loss组成，附代码实现。
在前面的一篇文章中，我们详细介绍了YOLOv1的原理以及实现过程。这篇文章接着介绍YOLOv2的原理以及实现，YOLOv2的论文全名为YOLO9000: Better, Faster, Stronger，它斩获了CVPR 2017 Best Paper Honorable Mention。在这篇文章中，作者首先在YOLOv1的基础上提出了改进的YOLOv2，然后提出了一种检测与分类联合训练方法，使用这种联合训练方法在COCO检测数据集和ImageNet分类数据集上训练出了YOLO9000模型，其可以检测超过9000多类物体。所以，这篇文章其实包含两个模型：YOLOv2和YOLO9000，不过后者是在前者基础上提出的，两者模型主体结构是一致的。YOLOv2相比YOLOv1做了很多方面的改进，这也使得YOLOv2的mAP有显著的提升，并且YOLOv2的速度依然很快，保持着自己作为one-stage方法的优势，YOLOv2和Faster R-CNN, SSD等模型的对比如图1所示。这里将首先介绍YOLOv2的改进策略，并给出YOLOv2的TensorFlow实现过程，然后介绍YOLO9000的训练方法。近期，YOLOv3也放出来了，YOLOv3也在YOLOv2的基础上做了一部分改进，我们在最后也会简单谈谈YOLOv3所做的改进工作。
因为最近在和计算棒打交道，自然存在一个模型转换问题，如果说YOLOv3或者YOLOV3-tiny怎么进一步压缩，我想大多数人都会想到将标准卷积改为深度可分离卷积结构？而当前很多人都是基于DarkNet框架训练目标检测模型，并且github也有开源一个Darknet转到OpenVINO推理框架的工具，地址见附录。而要说明的是，github上的开源工具只是支持了原生的YOLOv3和YOLOV3-tiny模型转到tensorflow的pb模型，然后再由pb模型转换到IR模型执行在神经棒的推理。因此，我写了一个脚本可以将带深度可分离卷积的YOLOv3或YOLOV3-tiny转换到pb模型并转换到IR模型，且测试无误。就奉献一下啦。
回首自己3年多的cocos2d游戏开发经历，从cocos2d到coco2d-x入门，之后机缘巧合辗转到了cocos2d-js阵营。在深入使用cocos2d-js以及后来使用cocoscreator做游戏项目的同时，我开始逐步走进Javascript神奇的世界。现在回过头来忽然察觉到，不是自己选择了cocos H5(我将cocos2d-js/cocoscreator的统称)，而是选择了javascript；不只是简单地选择了这门脚本语言，而选择的是javascript平台和生态圈，这才是自己为什么一直对cocos H5不离不弃的原因。
本文介绍旷视研究院的一个新成果，通过在激活函数领域进行创新，提出一种在视觉任务上大幅超越ReLU的新型激活函数Funnel activation（FReLU），简单又高效。
Jumpserver 是全球首款完全开源的堡垒机，使用 GNU GPL v2.0 开源协议，是符合 4A 的专业运维审计系统。Jumpserver 使用 Python / Django 进行开发，遵循 Web 2.0 规范，配备了业界领先的 Web Terminal 解决方案，交互界面美观、用户体验好。 Jumpserver 采纳分布式架构，支持多机房跨区域部署，中心节点提供 API，各机房部署登录节点，可横向扩展、无并发访问限制。
【GaintPanda导语】这是关于GiraffeDet的论文详读，该论文提出以S2D Chain为组合模块，构建light backbone，再以Queen Fuse和Skip Connect构建GFPN作为颈部模块，与以往检测器的backbone>neck（FLOPS）的构建方式不同，GiraffeDet的neck在参数量和计算量上远超backbone。
论文地址：https://arxiv.org/pdf/2106.00666.pdf
一提到池化操作，大部分人第一想到的就是maxpool和avgpool，实际上还有很多种池化操作。
作者：Xinlei Chen、Ross Girshick、Kaiming He、Piotr Dollar
标题：Learning Transferable Features for Point Cloud Detection via 3D Contrastive Co-training
代码：GitHub - OpenGVLab/InternImage: [CVPR 2023 Highlight] InternImage: Exploring Large-Scale Vision Foundation Models with Deformable Convolutions
摘要：提出了一种简单有效的注意力模块，称为瓶颈注意力模块（BAM），可以与任何前馈卷积神经网络集成。我们的模块沿着两条独立的路径，通道和空间，推断出一张注意力图。我们将我们的模块放置在模型的每个瓶颈处，在那里会发生特征图的下采样。我们的模块用许多参数在瓶颈处构建了分层注意力，并且它可以以端到端的方式与任何前馈模型联合训练。我们通过在CIFAR-100、ImageNet-1K、VOC 2007和MS COCO基准上进行大量实验来验证我们的BAM。我们的实验表明，各种模型在分类和检测性能上都有持续的改进，证明了BAM的广泛适用性。
这是卷积神经网络的第十七篇文章，Google 2017年发表的MobileNet V1，其核心思想就是提出了深度可分离卷积来代替标准卷积，将标准卷积分成Depthwise+Pointwise两部分，来构建轻量级的深层神经网络，这一网络即使现在也是非常常用的。论文原文地址和代码实现见附录。
来源：densepose.org 【新智元导读】FAIR和INRIA的合作研究提出一个在Mask-RCNN基础上改进的密集人体姿态评估模型DensePose-RCNN，适用于人体3D表面构建等，效果很赞。并且提出一个包含50K标注图像的人体姿态COCO数据集，即将开源。 论文：https://arxiv.org/abs/1802.00434 网站：http://densepose.org/ 密集人体姿势估计是指将一个RGB图像中的所有人体像素点映射到人体的3D表面。 我们介绍了DensePose-COCO数
在YOLO官网提供的Darknet源码中，有一个使用python接口的示例程序 darknet.py 示例如下：https://github.com/pjreddie/darknet/blob/master/python/darknet.py 其处理一张图片的代码段如下：
本篇博客讲解: 1.Ccocos2d-x中的字符串 2.使用标签 3.中文乱码问题
。 实验结果表明，将MPDIoU损失函数应用于最先进的实例分割（如YOLACT）和目标检测（如YOLOv7）模型，在PASCAL VOC、MS COCO和IIIT5k数据集上优于现有的损失函数。
因为centos6/7自带的python环境都是2，而yum等工具依赖原来的Python，为了不扰乱原来的环境我们使用Python虚拟环境
在上一章中，我们了解了光学字符识别（OCR）技术。 我们借助 Tesseract 库和预训练的深度学习模型（EAST 模型）来识别扫描文档和照片中的文本，该模型已随 OpenCV 一起加载。 在本章中，我们将继续进行对象检测这一主题。 我们将讨论 OpenCV 以及其他库和框架提供的几种对象检测方法。
Jumpserver 基于 Python / Django 进行开发，遵循 Web 2.0 规范，配备了 Web Terminal 解决方案
大型语言模型构建在基于Transformer的架构之上来处理文本输入, LLaMA 系列模型在众多开源实现中脱颖而出。类似LLaMa的Transformer可以用来处理2D图像吗？在本文中，我们通过提出一种类似 LLaMA 的朴素和金字塔形式的Transformer来回答这个问题，称为 VisionLLaMA。VisionLLaMA 是一个统一的通用建模框架，用于解决大多数视觉任务。
本文改进：感受野注意力卷积运算（RFAConv），解决卷积块注意力模块（CBAM）和协调注意力模块（CA）只关注空间特征，不能完全解决卷积核参数共享的问题
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
