Win10 下编译 OpenCV 4.7.0详细全过程，包含xfeatures2d
在Win10下编译 OpenCV 4.7.0过程中，踩了几个坑，这里记录下来，供大家参考。
【YOLO】P1 YOLO简介
YOLO简介，YOLO的相关介绍视频推荐~~
【数字图像处理】直方图均衡化与规定化
灰度级范围[0,L-1]的数字图像，在实际使用中，用哥灰度级的像素总数除以MN的整幅图像的像素数量，归一化到规律中进行计算，这样可以解除面积对哥灰度级在所有橡树中分布的影响，仅仅靠概率进行分析个灰度级的分布。在较暗的图像中，直方图的分量集中在灰度级的低段。低对比度图像具有较窄的直方图，且都集中于[0
【图像处理】图像拼接原理介绍
图像拼接（image mosaic）是将同一场景中的两张或多张重叠图像拼接成一张更大图像的技术，在机器视觉、医学成像等多个领域有着广泛的应用。常见的图像拼接算法流程如下：即提取输入图像中的特征，例如角点、边缘等信息。即将同一目标场景下的两张或多张图像在空间位置上对准。随机抽样一致性算法，用来剔除异常
目标检测算法——YOLOv5/YOLOv7改进结合新神经网络算子Involution（CVPR 2021）
💡💡魔法搭配计算机视觉领域各类创新新颖且行之有效的网络结构，平均精度均值mAP涨点明显，实验效果也俱佳。有需要的小伙伴可以在CSDN/QQ后台留言+点赞收藏喔！！！👍👍👍🔥🔥🔥
深度学习｜论文中常用的注意力模块合集(下)
注意力机制可以增加少量参数的情况下来提升计算精度和模型性能，在论文中常用的注意力模块合集(上)中介绍了三种注意力机制，它们分别是CA、CBAM和SE，均在目标检测和语义分割领域内能够提升模型的性能，废话不多说，直接开始讲解剩下的论文中常用的注意力模型。1、有效通道注意力(Efficient Chan
语义分割的常用指标详解
1 混淆矩阵假设有6个类别，L为10个真实标签的取值，P为对应的预测的标签值，先计算对应的n(类别数，这里假设为6）xL+P:bin的值一定是分类数的平方。混淆矩阵先将真实标签和预测标签抻成一维向量，做一个对应关系（nxL+P)，再将这个对应的一维向量抻成二维矩阵，如下图，很奇妙地将真实值与预测值之
ICLR 2023 | 达摩院开源轻量人脸检测DamoFD
目前的NAS方法主要由两个模块组成，网络生成器和精度预测器。其中网络生成器用于生成候选的backbone结构，精度预测器用来对采样的backbone结构预测精度。由于检测和分类的任务目标不一致，前者更重视backbone stage-level (c2-c5)的表征，而后者更重视high-level
2022年 change detection遥感图像变化检测 论文附代码
动机：可用于训练CD模型的标注训练图像较少,应该注重从数百万免费可用的、无标记的、无策展的遥感图像中挖掘尽可能多的信息，以提高CD的准确性和鲁棒性。动机：可用于训练CD模型的标注训练图像较少,应该注重从数百万免费可用的、无标记的、无策展的遥感图像中挖掘尽可能多的信息，以提高CD的准确性和鲁棒性。介绍
深度学习中的注意力机制模型及代码实现(SE Attention、CBAM Attention)
常用的注意力机制多为SE Attention和CBAM Attention。它们基本都可以当成一个简单的网络。例如SE注意力机制，它主要就是由两个全连接层组成，这就是一个简单的MLP模型，只是它的输出变了样。所以，在我们把注意力机制加入主干网络里时，所选注意力机制的复杂程度也是我们要考虑的一个方面，
IQA图像质量评价 数据集介绍(LIVE、TID2013、CSIQ、LIVEC、KonIQ-10K)
LIVE、TID2013、CSIQ、LIVEC、KonIQ-10K 数据集介绍
opencv+图像处理（GUI）1-0图像：创建加载显示保存关闭
opencv+图像处理，GUI操作：创建加载显示保存关闭图像
quality focal loss & distribute focal loss 解说（附代码）
quality focal loss
项目2：使用Yolov5和deepsort实现车辆和行人目标跟踪，实时计算目标运动速度和加速度（有检测超速功能）
项目演示视频项目演示视频可以跳转到哔哩哔哩观看：https://www.bilibili.com/video/BV1RT411Z7kD/?vd_source=805c57038e291405fe38f3adefa0f2d2项目简介本项目使用Yolov5+DeepSort实现车辆、行人跟踪，并实时统计
Ubuntu20.04下运行VINS系列：VINS-Mono、VINS-Fusion和GVINS
安装好了VINS-Mono所需的ROS noetic、Eigen3.4.0、Ceres2.10和OpenCV4.2.0等。VINS-Mono是在ROS melodic以及Ceres1的环境下开发的，因此需要适配高版本的环境。
【计算机视觉】数字图像处理（四）—— 图像增强
数字图像处理（四）—— 图像增强图像增强的定义图像增强方法一、图像增强的点运算（一）灰度变换1. 线性变换2. 分段线性变换3. 非线性灰度变换对数变换指数变换（二） 直方图修整法1. 直方图均衡化2. 直方图规定化二、图像的空间域平滑（一）局部平滑法1. 超限像素平滑法2. 灰度最相近的K个邻点平
OpenCV实战——尺度不变特征检测器
无论对象是在哪个比例下拍摄的，不仅要对关键点进行一致的检测，而且还要计算与每个检测到的特征点相关联的尺度因子。理想情况下，对于在两个不同图像上以不同尺度表征的同一对象点，计算出的尺度因子的比率等于它们各自尺度的比率。已经提出了多种尺度不变的特征，本节将介绍 SURF (Speeded Up Robu
目标检测算法——YOLOv5/YOLOv7改进之结合ASPP（空洞空间卷积池化金字塔）
目标检测算法——YOLOv5/YOLOv7改进之结合ASPP。ASPP对所给定的输入以不同采样率的空洞卷积并行采样，相当于以多个比例捕捉图像的上下文。
涨点技巧：Detect系列---Yolov5/Yolov7加入ASFF特征金字塔融合方法，涨点明显
多尺度特征特别是特征金字塔FPN是解决目标检测中跨尺度目标的最常用有效的解决方法，特征金字塔融合方法ASFF与yolov5/yolov7结合可以有效涨点
