01
deepface 适用于Python的轻量级面部分析框架Deepface是一个轻量级的面部分析框架，包括适用于Python的面部识别和人口统计（年龄，性别，情感和种族）。可以使用几行代码来应用面部分析。项目计划弥合软件工程和机器学习研究之间的鸿沟。
人脸识别：
现代人脸识别流程包括四个阶段：
检测，对齐，表示和验证。Deepface在后台处理所有这些常见阶段。人脸识别可以通过不同的模型来处理。目前，deepface支持VGG-Face，Google FaceNet，OpenFace和Facebook DeepFace模型。
默认配置使用VGG-Face模型验证人脸。可以在验证时设置基本模型，精度和速度会根据执行模型而有所不同。这些模型实际上找到了人脸的矢量嵌入。
验证决定基于向量之间的距离。距离可以通过不同的度量标准来找到，例如余弦相似度，欧氏距离和L2形式。默认配置查找余弦相似度。也可以设置验证时的相似性指标。
面部属性分析：
Deepface还提供面部属性分析，包括年龄，性别，情感（包括生气，恐惧，中立，悲伤，厌恶，快乐和惊奇）和种族（包括亚洲，白人，中东，印度，拉丁美洲和黑人）预测。DeepFace界面下的分析功能用于查找人脸。
流和实时分析： 可以为实时视频运行deepface。DeepFace界面下的调用流功能将访问您的网络摄像头，并应用面部识别和面部属性分析。流功能需要包含人脸图像的数据库文件夹。
VGG-Face是默认的面部识别模型，而余弦相似度是与验证功能相似的默认距离度量。该功能开始分析是否可以将脸部连续对焦5帧。然后，显示结果5秒。
项目地址：https://github.com/serengil/deepface
02
pytorch-ts 基于PyTorch的概率时间序列预测框架PyTorchTS是一个PyTorch概率时间序列预测框架，它提供了最新的PyTorch时间序列模型和实用程序GluonTS，用于加载，转换和回测时间序列数据集。
时间序列预测通常是科学和工程问题的基础，并且可以进行决策。随着数据集大小的不断增长，按比例扩大预测的简单解决方案是假设交互时间序列之间的独立性。
但是，对统计依存关系进行建模可以提高准确性，并可以分析交互作用。深度学习方法非常适合此问题，但是多元模型通常采用简单的参数分布，并且无法扩展到高维度。在这项工作中，通过自回归深度学习模型对时间序列的多元时间动态模型进行建模，其中数据分布由条件归一化流表示。
这种组合保留了自回归模型的强大功能，例如在未来的推断中具有良好的性能，并且具有作为通用高维分布模型的流程灵活性，同时保持了计算上的可控制性。
我们展示了它在具有数千个交互时间序列的许多实际数据集上的最新标准指标方面的改进。
请注意，预测是按照概率分布显示的：阴影区域分别代表以中位数（深绿线）为中心的50％和90％预测间隔。
项目地址：https://github.com/zalandoresearch/pytorch-ts
03
graphvite 高速大规模嵌入图形GraphVite是通用的图形嵌入引擎，专用于各种应用程序中的高速和大规模嵌入学习。
GraphVite为3种应用程序提供完整的训练和评估管道：节点嵌入，知识图嵌入以及图和高维数据可视化。此外，它还包括9种流行的模型，以及它们在一堆标准数据集中的基准。
GraphVite训练时间总结，以及对3个应用程序的最佳开源实现。报告的时间始终基于具有24个CPU线程和4个V100 GPU的服务器。
https://github.com/DeepGraphLearning/graphvite
04
PCDet 基于PyTorch的3D对象点云检测工具箱PCDet是基于PyTorch的通用代码库，用于从点云进行3D对象检测。
PCDet是基于PyTorch的通用代码库，用于从点云进行3D对象检测。它目前支持几种先进的3D对象检测方法（PointPillar，SECOND，Part-A ^ 2 Net），并具有针对一阶段和两阶段框架的高度重构的代码。
当前支持的功能：支持一阶段和两阶段3D对象检测框架；
使用多个GPU和多台机器进行分布式培训，大约需要5个小时才能在KITTI上获得SoTA结果；
清晰的代码结构可支持更多数据集和方法；
RoI感知点云池；
GPU版本3D IoU计算和旋转NMS；
下表中显示了受支持的方法。结果是在KITTI数据集的val集上汽车类别的3D检测性能。所有模型都经过8个GPU培训。
https://github.com/sshaoshuai/PCDet
05
agender 实时估计性别和年龄这是一个小型演示项目，旨在尝试测试OpenCV库，并使用预先训练的模型来实现即时人脸检测，年龄和性别估计。
SSR-Net，具有针对性别和年龄的单独模型，大小仅为0.32 Mb！与其他模型相比，它们的速度非常快。
Gil Levi和Tal Hassner的No 6模型也是性别和年龄的两个独立模型，它们大约43 Mb，因此被开发人员广泛使用。
项目地址：https://github.com/diovisgood/agender
AI就业季 开宝箱免费拿VIP年会员 更有200本纸质书，机械键盘等海量好礼，来就送！https://m.julyedu.com/box/boxActive (二维码自动识别)