医学图像分割综述:U-Net系列
论文地址代码地址医学图像自动分割是医学领域的一个重要课题，也是计算机辅助诊断范式的一个重要对应。U-Net是最广泛的图像分割架构，由于其灵活性，优化的模块化设计，并在所有医学图像模式的成功。多年来，U-Net模型得到了学术界和工业界研究人员的极大关注。该网络的几个扩展已经被提出，以解决医疗任务所产生
OpenCV - C++实战（05） — 颜色检测
本专栏介绍OpencV 计算机视觉程序库，基于C++语言编程，提供完整代码，持续更新文章。
深度学习总结——用自己的数据集微调CLIP
在自己的数据集上微调CLIP模型
java openCV 简单使用
Java OpenCV 是一个用于图像处理和计算机视觉的开源库。要使用 Java OpenCV，您需要先安装 OpenCV 库并将其与 Java 环境配合使用。安装 OpenCV:在终端中输入以下命令以在 Linux 或 Mac 系统上安装 OpenCV：sudo apt-get install o
【Opencv】CV_* was not declared in this scope 的部分解决方法
Opencv CV* was not declared in this scope 的部分解决方法
【域泛化综述-2022 TPAMI】Domain Generalization: A Survey
2022TPAMI 域泛化综述阅读
mmdetection 中 Mask Rcnn检测结果可视化（DICE计算、PR曲线绘制等）
mmdetection结果可视化的一些操作
在yolov5的detect中我该如何调用第三方摄像头？
要在 YOLOv5 的 detect 中调用第三方摄像头，你可以使用 OpenCV 库中的 VideoCapture 类来读取摄像头的视频流。你可以这样做：首先，安装 OpenCV 库。然后，在你的代码中包含以下头文件：#include <opencv2/opencv.hpp>#incl
Halcon直线检测
Halcon直线检测
基于PP-YOLOE-SOD实现遥感场景下的小目标检测
目标边界框的宽高与图像的宽高比例小于一定值目标边界框面积与图像面积的比值开方小于一定值分辨率小于32*32像素的目标。如MS-COCO数据集像素值范围在［10，50］之间的目标。如DOTA/WIDER FACE数据集paddle从数据集整体层面提出了如下定义：目标边界框的宽高与图像的宽高比例的中位数
【AIGC】2、扩散模型 | 到底什么是扩散模型?
本文简单介绍扩散模型
MotionBERT：Unified Pretraining for Human Motion Analysis中文翻译
我们提出了一个统一的训练前框架MotionBERT，以解决人体运动分析的不同子任务，包括3D姿势估计、基于骨骼的动作识别和网格恢复。该框架能够利用各种人体运动数据资源，包括运动捕捉数据和野外视频。在预训练中，托词任务要求运动编码器从有噪声的部分2D观测中恢复潜在的3D运动。预先训练的运动表示因此获得
YOLOv5数据增强方法
YOLOv5的数据增强方法包括以下几种：随机剪裁：随机从输入图像中剪裁出一块区域并将其作为新的输入。随机翻转：随机将输入图像左右或上下翻转。随机颜色变化：随机调整输入图像的对比度、亮度和饱和度。随机加噪：在输入图像上随机添加噪声。随机模糊：使用高斯模糊或中值滤波器对输入图像进行随机模糊。通过这些方法
Mask RCNN训练自己的数据集
Mask RCNN训练自己的数据集，有源码和数据集提供
语义分割学习篇
主要是记录笔记，对语义分割进行的学习，包括经典模型的介绍
cv::Mat的四种复制操作和cv::Mat作为函数形参的四种形式
cv::Mat的四种复制操作及其cv::Mat作为函数形参的四种形式
MoveNet流程解析
第三步：根据粗略的关键点信息，构造一个以这个关键点坐标为中心生成一个权重矩阵，直接以等差数列0-47（47的原因是当关键点信息在边界时能够覆盖整个特征图（48*28）），中心点最小为0，往外依次递增的权重系数矩阵。原因：如果Heatmap中这个关键点与粗略关键点最靠近，说明这个关键点就属于最靠近图像
Halcon中亚像素边缘，轮廓提取处理的各种方法
halcon中亚像素轮廓提取目前来看，提取亚像素轮廓有三种思路
Openmv通过IMPULSE训练模型实现目标检测
Openmv神经网络文章目录Openmv神经网络前言一、云端训练二、操作步骤1.数据集的采集2.上传数据集3.训练模型1、创建模型2、参数生成3、开始训练4、模型测试5、导出模型6、效果测试总结前言openmv4plus可以进行神经网络学习，实现目标检测，之前学习过了K210的目标检测，以及机器学习
十个高质量工具网站推荐，AI自动抠图换背景，任意背景自动融合
AI 背景更换是一种利用生成式人工智能创建新图像背景的软件工具。与传统方法需要移除原有的背景并更换新的不同，AI背景生成器使用先进的算法生成与前景完美融合的全新背景。这项技术彻底改变了图像编辑的方式，为设计提供了更多的创造自由和灵活性。
