超分算法之SRCNN
这篇文章是2014年的一篇论文，其主要意义在于作者推出的SRCNN是深度学习在超分上开篇之作！SRCNN证明了深度学习在超分领域的应用可以超越传统的插值等办法取得较高的表现力。参考目录：①深度学习图像超分辨率开山之作SRCNN（一）原理分析②深度学习端到端超分辨率方法发展历程SRCNN1 SRCNN
Unet++语义分割网络（网络结构分析+代码分析）
Unet++是一个非常经典又易于学习的语义分割网络，非常值得前期研究一下。本文从网络结构还有代码解析两个方面，分享Unet++网络思想。
RoI Pooling 和 RoI Align
RoI Pooling 和 RoI Align一、基本概念一、基本概念RoI（Region of Interest）是通过不同区域选择方法，从原始图像（original image）得到的候选区域（proposal region）
Medical Image Segmentation Review:The Success of U-Net
UNet的各种扩展改进方法总结
数据集 | 基于计算机视觉的医学影像处理数据集
计算机视觉分支-医学影响相关数据集概况。
OPENCV多种模板匹配使用对比
OPENCV多种模板匹配使用对比
目标检测数据集之离线数据增强
目标检测数据集离线数据增强（1变10）
图像处理（二）之 基于OpenCV的水泥裂缝检测（区域延申）
2. array寻值（项目中用来寻找黑点、找到的点将以Xarray，Yarray的形式返回，（ Xarray[i],Yarray[i] ）表示其中的某一点）a. min_pos开始，寻找临近的黑点，并扩展出一块完整的区域:timblock。b. 每个区域timblock相加，形成完整的多区域图像
【8】SCI易中期刊推荐——图像处理领域（中科院4区）
📚📚 SCI即《科学引文索引》是1961年由美国科学信息研究所创办的文献检索工具。在我国，SCI不仅是一部权威的文献检索工具，更是评价个人&团队科研学术水平及优秀创新成果的一种重要依据。
基于YOLOv5的中式快餐店菜品识别系统
本文基于YOLOv5v6.1提出了一套适用于中式快餐店的菜品识别自助支付系统，综述了食品识别领域的发展现状，简要介绍了YOLOv5模型的历史背景、发展优势和网络结构。在数据集预处理过程中，通过解析UNIMIB2016，构建了一套行之有效的标签格式转换与校验流程，解决了YOLOv5中文件路径问题、标签
3D卷积神经网络详解
1 3d卷积的官方详解2 2D卷积与3D卷积1）2D卷积 2D卷积：卷积核在输入图像的二维空间进行滑窗操作。2D单通道卷积 对于2维卷积，一个3*3的卷积核，在单通道图像上进行卷积，得到输出的动图如下所示：2D多通道卷积 在之前的2D单通道的例子中，我们在一张图像上使用卷积核进行扫描，得
毕业设计-基于深度学习的视频目标检测
毕业设计-基于深度学习的视频目标检测：视频目标检测是为了解决每一个视频帧中出现的目标如何进行定位和识别的问题。相比于图像目标检测，视频具有高冗余度的特性，其中包含了大量的时空局部信息。随着深度卷积神经网络在静态图像目标检测领域的迅速普及，在性能上相较于传统方法显示出了非常大的优越性，并逐步在基于视频
DynaSLAM超详细安装配置运行ubantu20.0.4+opencv2.4.11+tensorflow1.4.0
DynaSLAM超详细安装配置运行ubantu20.0.4+opencv2.4.11+tensorflow1.4.0
奇异值分解（SVD）和图像压缩
在本文中，我将尝试解释 SVD 背后的数学及其几何意义，还有它在数据科学中的最常见的用法，图像压缩。
【计算机视觉】目标检测—yolov5自定义模型的训练以及加载
yolov5如何自定义训练模型？如何加载模型并进行解读
目标检测算法——YOLOv5/YOLOv7改进之结合特征提取网络RFBNet（涨点明显）
计算机视觉——致力于目标检测领域科研Tricks改进与推荐 | 主要包括Backbone、Neck、Head、普通注意力机制、自注意力机制Transformer，各种IoU Loss损失函数、NMS及各类激活函数替换、轻量化网络改进、数据增强策略以及其他视觉顶会创新点改进等等。
Opencv学习之：将图片的值进行范围调整 cv2.normalize()
cv2.normalize()指定将图片的值放缩到 0-255 之间array = cv2.normalize(array,None,0,255,cv2.NORM_MINMAX)cv2.NORM_MINMAX ：使用的放缩方式是 min_max 的方式其对应的原理是：x^=x−minmax−min∗
【半监督医学图像分割 2022 CVPR】S4CVnet 论文翻译
由于医学影像界缺乏高质量标注，半监督学习方法在图像语义分割任务中受到高度重视。为了充分利用视觉转换器(ViT)和卷积神经网络(CNN)在半监督学习中的强大功能，本文提出了一种基于一致性感知伪标签的自集成方法。我们提出的框架包括一个由ViT和CNN相互增强的特征学习模块，以及一个用于一致性感知目的的健
YOLOX改进之损失函数修改（上）
文章内容：如何在YOLOX官网代码中修改置信度预测损失环境：pytorch1.8损失函数修改内容：（1）置信度预测损失更换：二元交叉熵损失替换为FocalLoss或者VariFocalLoss（2）定位损失更换：IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列提示：使用之前可以先了解Y
非常详细的相机标定原理、步骤（一）
主要说明了 世界坐标系到相机坐标系，相机的外参与内参
