多个相机内外参标定详解[halcon]
通过一个halcon实例，详细讲述如何对多个相机参数进行标定。相机的标定流程一般由以下几个部分：相机参数的初始化->读取标定文件->读取标定板图像->进行标定->标定结果。
YOLO V6论文精读
YOLO系列采用了广泛的激活功能，如ReLU [27]、LReLU [25]、Swish [31]、SiLU [4]、Mish [26]等。
常用的医学图像分割评价指标
记录用于医学图像分割的一系列评价指标！
yolov3源码逐行详解（3.0版本）
次看主文件，在进入主函数中逐行调试，进而对代码全局有个了解。接下来就是主文件，train.py训练文件、test.py测试文件（用于训练中每个epoch的测试）、models.py模型文件、detect.py预测文件、requirements.txt其中是项目需要的环境配置。版本，主要是因为其中使用
OpenAI最重要的模型【CLIP】
CLIP 代表 Contrastive Language-Image Pretraining：CLIP 是一个开源、多模态、零样本模型。给定图像和文本描述，该模型可以预测与该图像最相关的文本描述，而无需针对特定任务进行优化。开源：该模型由 OpenAI 创建并开源。稍后我们将看到有关如何使用它的编程
Opencv 相机内参标定及使用
一、功能描述1.本文用于记录通过 Opencv 进行相机内参标定和对内参的使用来进行图像畸变矫正。1）相机矩阵：包括焦距（fx，fy），光学中心（Cx，Cy），完全取决于相机本身，是相机的固有属性，只需要计算一次，可用矩阵表示如下：[fx, 0, Cx; 0, fy, cy; 0,0,1];2) 畸
BEV（Bird’s-eye-view）三部曲之二：方法详解
BEV调研之近期主流论文的核心内容、测速
【python-Unet】计算机视觉~舌象舌头图片分割~机器学习（三）
舌象数据集包含舌象原图以及分割完成的二元图，共979*2张，示例图片如下：U-Net是一个优秀的语义分割模型，在中e诊中U-Net共三部分，分别是主干特征提取部分、加强特征提取部分、预测部分。利用主干特征提取部分获得5个初步有效的特征层，之后通过加强特征提取部分对上述获取到的5个有效特征层进行上采样
图像超分经典网络 SRGAN精确解析
早期超分辨率方法的优化目标都是降低低清图像和高清图像之间的均方误差。降低均方误差，确实让增强图像和原高清图像的相似度更高。但是，图像的相似度指标高并不能代表图像的增强质量就很高。为什么 SRGAN 的增强结果那么清楚呢？这是因为 SRGAN 使用了一套新的优化目标。SRGAN 使用的损失函数既包括了
人脸识别开源项目--insightface
1 insightface简介最近人脸识别等机器学习的项目很火，偶然间发现了一个开源的人脸识别的开源项目insightface。人脸识别技术可以准确识别出图像中的人脸和身份，具有丰富的应用场景，譬如金融场景下的刷脸支付、安防场景下的罪犯识别和医学场景下的新冠流行病学调查等等。人脸识别的算法演变经历了
多模态论文串讲笔记
多模态论文串讲笔记
图像超分——Real-ESRGAN快速上手
首先声明，图像超分不是我的主要研究方向，下面我就以一个“外行人”的视角简单理解一下Real-ESRGAN这个算法的原理。如果读者对理论不感兴趣，可以跳到下一节的实践部分。
DarkNet网络结构
如下图所示，残差块结构由两条支路组成，一条支路将上一层输出的feature map进行卷积等操作，另一条支路将上一层输出的feature map。而更基本的结构就是残差块了，因此我们先构建出残差块，然后重复堆叠上述结构darknet53就完成了。残差)(下采+4*残差)，所以待会儿会出现一个储存残差
关于YOLOv7的分析
此篇文章是在7月初编写，可能会与现有的源码有所出入，如在月末增加了关于head部分阴性参数的融合，但总体上的出入并不会太大
基于OpenCV构建停车场车位识别项目
OpenCV是一个基于（开源）发行的跨平台计算机视觉库，能实现图像处理和计算机视觉方面的很多通用算法。车位识别的图像处理过程如图所示。在python中设置完所有内容后， 最重要的依赖关系将是OpenCV库。通过pip将其添加到虚拟环境中，可以运行。要检查所有设置是否正确，我们可以使用以下命令打印环境
MSRN（多尺度超分辨率重建）
MSRN网络结构
分辨率、帧率和码率三者之间的关系
分辨率、帧率、码率
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）
