递归门控卷积HorNet（gn_conv）阅读笔记
HorNet: Efficient High-Order Spatial Interactions with Recursive Gated Convolutions ECCV2022程序视觉 Transformers 的最新进展在基于点积 self-attention 的新空间建模机制驱动的各种
经典图像去噪算法概述
基于梯度先验去噪方法的重点是局部特征，而忽略图像的全局结构。上面问题可以由Y的奇异值分解解决，由于奇异值分解的能量压缩性质，信息的主要能量都集中在少数几个较大的奇异值上，而较小的奇异值对应于噪声子空间，将它们设置为零可以得到去噪后的低秩矩阵，问题的关键是如何确定阈值来区分信号与噪声，太大的阈值会使图
【目标检测】YOLO v5 吸烟行为识别检测
基于YOLO v5 的吸烟目标检测，制作吸烟数据集，训练模型，Windows界面，输出结果，效果较好！mAP值0.8，解决横向项目，毕设，工厂实际需求。
yolov5训练自己的数据集，OpenCV DNN推理
学更好的别人，做更好的自己。——《微卡智享》本文长度为4238字，预计阅读9分钟前言上一篇《OpenCV--自学笔记》搭建好了yolov5的环境，作为目标检测在应用中，最重要的还是训练自己的数字集并推理，所以这一篇就专门来介绍使用yolov5训练自己的数据集，并且用OpenCV的DNN进行推理。实现
相机标定-张正友棋盘格标定法
(X，Y，Z)为在世界坐标系下一点的物理坐标 ( u , v ) 为该点对应的在像素坐标系下的像素坐标 引入齐次坐标的原因：引入齐次坐标的目的是为了升维，将坐标从二维坐标变为三维坐标。2.相机成像过程 相机成像系统中，共包含四个坐标系：世界坐标系、相机坐标系、图像坐标系、像素坐标系。（1）世
将时间序列转成图像——马尔可夫转移场方法 Matlab实现
马尔可夫转移场（Markov Transition Field, MTF）是基于马尔可夫转移矩阵的一种时间序列图像编码方法。该方法将时间序列的时间推移看成是一个马尔可夫过程，即：在已知目前状态的条件下，它未来的演变不依赖于它以往的演变，由此构造马尔可夫转移矩阵，进而拓展为马尔可夫转移场，实现图像编码
快速制作自己的VOC语义分割数据集
PASCAL VOC2012是语义分割任务极为重要的官方数据集，大量优秀的语义分割模型都会刷一下这个数据集，因此我们在使用别人的开源代码时，如果能将自己的数据集整理成官方数据集的格式，则可快速验证模型性能，减少自身工作量。
OpenCV学习笔记14-计算机视觉中的背景减除介绍及代码实现
参考文章：https://blog.csdn.net/tengfei461807914/article/details/81588808https://zhuanlan.zhihu.com/p/31103280文章目录背景减除方法选择：MOGMOG2GMGCNTKNN总结背景减除计算机视觉的前景和背
像素坐标到世界坐标的转换
注意：直接变换是直接根据变换公式获得，实际上包含pixel到camera和camera到world，实际上和顺序变换一样，通过顺序变换可以更清晰了解变换过程。下式为像素坐标pixel与世界坐标world的变换公式，右侧第一个矩阵为相机内参数矩阵，第二个矩阵为相机外参数矩阵。M为相机内参数矩阵，R为旋
扩散模型训练太难？来看看Meta AI最新提出的KNN-Diffusion
我们总会发现，我们迸发出的每一个想法都是从脑海中相似的印象中复制的
基于opencv的边缘检测方法
介绍6种基于opencv的边缘检测的方法
face_recognition库的使用
face_recognition库基于dlib的使用，包含dlib的安装，及face_recognition库各个方法的使用
人工智能前沿——深度学习热门领域（确定选题及研究方向）
人工智能前沿——深度学习热门领域（确定选题及研究方向）
YOLOv5网络详解
前言YOLOv5项目的作者是Glenn Jocher并不是原Darknet项目的作者Joseph Redmon，并且这个项目至今都没有发表过正式的论文。官方源码仓库：https://github.com/ultralytics/yolov5
grad-cam实现可视化｜mmselfsup自监督｜保姆级教学
Grad-CAM是使用任何目标概念的梯度（比如分类类别中的某一类的logits，甚至是caption任务中的输出），流入最后的卷积层，生成一个粗略的定位图来突出显示图像中用于预测的重要区域。
OpenMV的单颜色识别讲解
OpenMV的单颜色识别示例详解
GAN的训练技巧：炼丹师养成计划 ——生成式对抗网络训练、调参和改进
GAN最重要的就是找到D与G之间的纳什均衡，但是在实际中会发现GAN的训练不稳定，训练方法不佳很容易出现模式崩溃等问题，本篇将记录一些训练技巧，不一定适合你的模型，也可能有疏漏和错误，供学习参考，欢迎指正和补充。
理解ConvNeXt网络（结合代码）
ConvNeXt网络本身没有什么亮点，全是应用的现有的方法来进行网络的调整，特别是大量细节的设计都是参考了swin transformer的网络结构的。并且ConvNeXt是以ResNet50网络为backbone来进行调整的，所以ConvNeXt的网络结构非常简单，一目了然，理解起来也是非常容易的
sensor_msgs::Image消息及其参数
很多的博客直接将原网址复制粘贴过来，这里做一个整理，另外原网址是：https://docs.ros.org/en/melodic/api/sensor_msgs/html/msg/Image.html该消息意味包含未压缩的图像，且(0,0)在图像的左上角。参数大体含义如下：header:首先拿VIN
