Doi技术团队

本项目是基于 VGG-Speaker-Recognition 开发的，本项目主要是用于声纹识别，也有人称为说话人识别。本项目包括了自定义数据集的训练，声纹对比，和声纹识别。

今天来水一片文章，基于开源的 Pyramidbox 大规模人脸检测编写的 PaddlePaddle 教程，为了方便训练预测，本教程做了一定的修改。这个模型虽然大，但是符合大规模人群中也可以准确地检测到人脸，就是遮挡比较严重也能正确检测。

PyramidBox 是一种基于 SSD 的单阶段人脸检测器，它利用上下文信息解决困难人脸的检测问题。如下图所示，PyramidBox 在六个尺度的特征图上进行不同层级的预测。该工作主要包括以下模块：LFPN、Pyramid Anchors、CPM、Data-anchor-sampling。

MediaPipe 是用于构建跨平台多模态应用 ML 管道的框架，其包括快速 ML 推理，经典计算机视觉和媒体内容处理（如视频解码）。下面是用于对象检测与追踪的 MediaPipe 示例图，它由 4 个计算节点组成：PacketResampler 计算器；先前发布的 ObjectDetection 子图；围绕上述 BoxTrakcing 子图的 ObjectTracking 子图；以及绘制可视化效果的 Renderer 子图。

CrowdNet 模型是 2016 年提出的人流密度估计模型，论文为《CrowdNet: A Deep Convolutional Network for DenseCrowd Counting》，CrowdNet 模型主要有深层卷积神经网络和浅层卷积神经组成，通过输入原始图像和高斯滤波器得到的密度图进行训练，最终得到的模型估计图像中的行人的数量。当然这不仅仅可以用于人流密度估计，理论上其他的动物等等的密度估计应该也可以。

SSD，全称 Single Shot MultiBox Detector，是 Wei Liu 在 ECCV 2016 上提出的一种目标检测算法，截至目前是主要的检测框架之一，相比 Faster RCNN 有明显的速度优势，相比 YOLO V1 又有明显的 mAP 优势。本开源是基于 PaddlePaddle 实现的 SSD，包括 MobileNetSSD，MobileNetV2SSD，VGGSSD，ResNetSSD。使用的是 VOC 格式数据集，同时提供了预训练模型和 VOC 数据的预测模型。

本章介绍使用 Python 实现场景的几种排序算法。分别有冒泡算法、快速排序、插入排序、希尔排序、选择排序、堆排序、归并排序、计数排序、桶排序、基数排序。

在上一章我们介绍了《双目摄像头测量距离》，在这个基础上，我们来了解如何在 Android 上使用双目测距算法。通过本教程，你不仅掌握如何在 Android 中使用 SBM 等双目测距算法，顺便也了解到如何在 Android Studio 配置 OpenCV，通过使用 OpenCV 可以在 Android 中实现很多图像处理的功能。

在计算机视觉中，可以通过双目摄像头实现，常用的有 BM 算法和 SGBM 算法等，双目测距跟激光不同，双目测距不需要激光光源，是人眼安全的，只需要摄像头，成本非常底，也用于应用到大多数的项目中。本章我们就来介绍如何使用双目摄像头和 SGBM 算法实现距离测量。

本章介绍如何使用 PaddlePaddle 实现简单的声纹识别模型，首先你需要熟悉音频分类，没有了解的可以查看这篇文章《基于 PaddlePaddle 实现声音分类》
。基于这个知识基础之上，我们训练一个声纹识别模型，通过这个模型我们可以识别说话的人是谁，可以应用在一些需要音频验证的项目。

本章介绍如何使用 Tensorflow 实现简单的声纹识别模型，首先你需要熟悉音频分类，没有了解的可以查看这篇文章《基于 Tensorflow 实现声音分类》。基于这个知识基础之上，我们训练一个声纹识别模型，通过这个模型我们可以识别说话的人是谁，可以应用在一些需要音频验证的项目。

本章我们来介绍如何使用 PaddelPaddle 训练一个区分不同音频的分类模型，例如你有这样一个需求，需要根据不同的鸟叫声识别是什么种类的鸟，这时你就可以使用这个方法来实现你的需求了。

本章我们来介绍如何使用 Tensorflow 训练一个区分不同音频的分类模型，例如你有这样一个需求，需要根据不同的鸟叫声识别是什么种类的鸟，这时你就可以使用这个方法来实现你的需求了。话不多说，来干。

目前大部分的手机都有语音助手，例如小米手机的小爱同学，VIVO 的小 V 等等，通过智能助手我们可以快速询一些资讯或者操作手机，例如询问天气，发送微信给你的好友等等。这篇文章就来介绍如何使用 AIUI 快速搭建类似这样的智能助手。

我们在 Android 应用做语音识别的时候，一般是用户唤醒之后开始说话。当用户超过一定的时候没有说话，就停止录音，并把录音发送到语音识别服务器，获取语音识别结果。本教程就是解决如何检测用户是否停止说话，我们使用的是 WebRTC 架构的源代码中的 vad 代码实现的。

这个专栏是深度学习框架 PaddlePaddle Fluid 版本的教程，开发环境主要是 PaddlePaddle 1.6.0 和 Python 3.5。内容涉及了 PaddlePaddle 的安装，并从简单执行 1+1 运算例子入门 PaddlePaddle，借助各个实例一步步入手 PaddlePaddle，通过本系列教程你可以学到如何使用 PaddlePaddle 搭建卷积神经网络，循环神经网络，并能够训练自定义数据集，最后还可以部署到自己的实际项目中。

这个专栏是深度学习框架 PaddlePaddle V2 版本的教程，开发环境主要是 PaddlePaddle 0.11.0 和 Python 2.7。内容涉及了 PaddlePaddle 的安装，并从手写数据集识别入手，借助实例一步步入手 PaddlePaddle，通过实例掌握 PaddlePaddle 的使用，从零进入人工智能领域。

在深度学习中，我们经常会使用到 sigmoid 函数作为我们的激活函数，特别是在二分类上，sigmoid 函数是比较好的一个选择，以下就是 sigmoid 函数的公式：

现在越来越多的手机要使用到深度学习了，比如一些图像分类，目标检测，风格迁移等等，之前都是把数据提交给服务器完成的。但是提交给服务器有几点不好，首先是速度问题，图片上传到服务器需要时间，客户端接收结果也需要时间，这一来回就占用了一大半的时间，会使得整体的预测

如果读者使用过百度等的一些图像识别的接口，比如百度的细粒度图像识别接口，应该了解这个过程，省略其他的安全方面的考虑。这个接口大体的流程是，我们把图像上传到百度的网站上，然后服务器把这些图像转换成功矢量数据，最后就是拿这些数据传给深度学习的预测接口，比如是

我们在第六章介绍了生成对抗网络，并使用生成对抗网络训练 mnist 数据集，生成手写数字图片。那么本章我们将使用对抗生成网络训练我们自己的图片数据集，并生成图片。在第六章中我们使用的黑白的单通道图片，在这一章中，我们使用的是 3 通道的彩色图。