使用NVIDIA预训练模型和Transfer Learning Toolkit 3.0与机器人创建基于手势的交互
在这个项目中，我们演示如何训练您自己的手势识别深度学习管道。 我们从预先训练的检测模型开始，使用Transfer Learning Toolkit 3.0将其重新用于手部检测，然后将其与专用手势识别模型一起使用。 经过培训后，我们将在NVIDIA:registered:Jetson:trade_mark:上部署此模型。
可以将这种手势识别应用程序部署在机器人上以理解人类手势并与人类进行交互。
该演示可以作为点播网络研讨会提供： :
第1部分。训练对象检测网络
1.环境设置
先决条件
Ubuntu 18.04 LTS
python> = 3.6.9 = 19.03.5
docker-API 1.40
nvidia-container-toolkit> = 1.3.0-1
2021-08-26 15:23:37
257KB
1
Message分为 “Data message”和"Control message"两种
HSMS Message 帧格式
2.1 Message Length：包含“Message Header + Message Text”的总长度。高位在前，低位在后。
2.2 Message Header：10个字节 ，跟SECS-I的结构相似，但是又有不同。
2.2.1 Session ID：由2个字节构成，
2.2.2 Header Byte2：
对于“Control Message”，值为0或者是状态代码(status code)；
对于“Data Message”， 如果“PType”为0的时候，该字节包含 W-Bit和 SECS Stream(类似于SCES-I)；如果"PType"不为0则有特殊的含义，暂未定义。
2.2.3 Header Byte3:
对于“Control Message”，值为0或者是状态代码(status code)；
对于“Data Message”， 如果“PType”为0的时候，该字节包含 Function Code；
2.2.4 PType(Presentation Type)：
是一个枚举量，为0的时候表示使用SECS-II的编码格式，1127保留为其它标准用，128255未启用。
2.2.5 SType(Session Type)：
0表示是“Data Message”，其它定义好的是特定的“Control Message”，没有定义的是“Special Considerations”中可能定义，一般不用管。
2.2.6 Stream Bytes
4个字节的帧表示码，跟SECS-I类似，每帧不一样。对于返回帧(Reply Message)，该码必需与发送帧(Primary Message)保持一致。
HSMS Message Formats by Type
————————————————
版权声明：本文为CSDN博主「hongyan196」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/hongyan196/article/details/85069151
2021-08-25 15:57:01
492KB
1
这是博客训练模型用到的数据库，4000张猫狗图片。每一张都标了是cat还是dog。这个资源来自https://www.kaggle.com/c/dogs-vs-cats/data
2021-08-25 08:41:27
86.61MB
1
Aspects Related to Data Access and Transfer in CUDA
2021-08-20 09:09:31
3.52MB
提出了基于”迁移学习+少数磁盘故障预测”的TLDFP模型。
主要采用了TrAdaBoost（权重调整的迁移学习方法)的思想。
作者 张霁 华中科技大学博士
可免费下载。
2021-08-18 22:21:30
2.43MB
1
变形传递
将变形从源网格转移到目标网格，保持目标的身份完整。 基于 Sumner 的变形传递算法： :
源代码提供变形传输的实现和用户友好的 Maya 命令插件。
要构建 Maya 插件二进制文件，需要以下内容：
特征图书馆，
玛雅 SDK。
构建并安装插件后，可以从 Maya 中执行以下命令：
defTransfer -src "s00,s01,s02,s03,s04,s05,s06" -tgt "t00,t01,t02,t03,t04,t05,t06";
这将计算网格 s00 和 s01、s02、s03 ... 之间的变形，并将变形转移到网格 t00 上并更新网格 t01、t02、t03 中的顶点 ... 至少需要两个源网格和两个目标网格。
defTransfer -h
这将显示有关如何使用该命令的帮助。
源和目标网格需要有顶点对应。 可以使用非刚性配准步骤实现
2021-08-17 21:33:55
338KB
1
神经风格转换过渡视频处理
Brycen Westgarth和Tristan Jogminas
描述
该代码通过在视频帧之间的一系列参考样式图像之间生成平滑过渡，将图像处理技术扩展到视频。 生成的输出视频是输入视频的高度变化的艺术表现形式，包括不断变化的抽象图案和颜色，它们模仿了视频的原始内容。 用户对样式参考图像，样式序列顺序和样式序列长度的选择可以进行无限的用户实验，并可以创建无穷无尽的艺术趣味视频。
系统要求
该算法需要大量计算，因此如果您可以访问CUDA兼容的GPU，我强烈建议您通过安装驱动程序来优化其性能。 另外，您可以利用Google Colab笔记本提供的免费GPU资源。 即使使用GPU加速，该程序也可能需要花费几分钟来渲染视频。
配置
用户可以在config.py中设置视频属性和输入/输出文件位置的所有配置。
config.py中的可配置变量
描述
ROOT_PATH
输
2021-08-16 14:01:15
27.73MB
1