FPN和PAN的内容及区别
FPN和PAN都是用于解决在目标检测中特征金字塔网络(FPN)在多尺度检测任务上的不足的方法。下面分别详细介绍一下它们的原理和区别。
人工智能之深度学习
在DNN中，每个隐藏层都可以学习不同的特征和模式，从而更好地适应各种复杂的任务。近年来，深度学习在图像识别领域取得了重大的突破，如在2012年ImageNet图像识别挑战赛中，AlexNet网络使用了深度学习的方法，取得了显著的成绩，并引起了深度学习的热潮。在实际应用中，深度学习模型被广泛应用于自然
学习记录：BRATS 2021数据集介绍
BRATS 2021数据集是一个医学图像分割数据集，该数据集由2000例患者脑部MRI（核磁共振成像）扫描构成。其中训练集有1251例、验证集219例、测试集530例，每例MRI扫描有4个模态的3D图像。其中训练集是包含3D图像和分割标签的，而验证集和测试集则不包含分割标签，验证集被用于公共排行榜，
CVPR2023 即插即用系列 | 一种高效轻量的自注意力机制助力图像恢复网络问鼎SOTA！
如果您也对人工智能和计算机视觉全栈领域感兴趣，强烈推荐您关注有料、有趣、有爱的公众号『CVHub』，每日为大家带来精品原创、多领域、有深度的前沿科技论文解读及工业成熟解决方案！同时欢迎添加小编微信: cv_huber，备注CSDN，加入官方学术|技术|招聘交流群，一起探讨更多有趣的话题！
通用的融合框架：IFCNN
仅供自己参考
计算机视觉 期末复习
计算机视觉期末复习，红色部分注意，字体红色选择填空
【DarkLabel】使用教程（标注MOT数据集）
Open video第 2 处的内容为数据集类型。例如：VOC、COCO、MOT、YOLO等。第 3 处的内容为标签名称。可在中修改。第 4 处的内容为两种跟踪方法可选：插值法，每次一个目标。首先在第一帧点击Begin Interpolation，然后画目标bbox，按↓键往后几十帧，在找到该目标画
GragGAN：人工智能黑科技，本地使用详细教程
DragGAN是一种由Max Planck研究所开发的创新型人工智能工具，通过仅需几个点击和拖动操作，能够实现对照片的真实修改。根据一篇研究论文，该工具主要包括两个要素：基于特征的运动监控和一种革命性的点追踪技术。DragGAN赋予用户交互性，使其能够自主拖动图片中的点，并将其移动至所选择的目标位置
图像分割综述之语义分割
语义分割综述，列举的是经典论文，适合入门的初学者
带你了解ICCV、ECCV、CVPR三大国际会议
因此大部分最新的工作都首先发表在顶级会议上，这些顶级会议完全能反映“热门研究方向”、“最新方法”。ICCV 的全称是 IEEE International Conference on Computer Vision，即国际计算机视觉大会，是公认的三个会议中级别最高的。如果注意这些领域大牛的pulic
YOlov5网络架构
yolov5网络架构
Anchor based and Anchor free(无锚VS有锚)【总结】
anchor-based方法使用不同大小和形状的anchor框来回归和分类目标，例如faster rcnn、retinanet和yolo等。anchor-free，例如fcos、atss和cornernet等。anchor-free方法比anchor-based方法更简单和灵活，但可能存在召回率或定
CLIP，GLIP论文解读，清晰明了
CLIP：Contrastive Language-Image Pre-training，论文名称：Learning Transferable Visual Models From Natural Language Supervision。GLIP论文名称：Grounded Language-Im
OpenCV入门（十八）快速学会OpenCV 17 直线检测
霍夫变换是一种在图像中寻找直线、圆形以及其他简单形状的方法。霍夫变换采用类似于投票的方式来获取当前图像内的形状集合，该变换由Paul Hough（霍夫）于1962年首次提出。最初的霍夫变换只能用于检测直线，经过发展后，霍夫变换不仅能够识别直线，还能识别其他简单的图形结构，常见的有圆、椭圆等。霍夫直线
国科大. 图像处理与计算机视觉：期末复习题目与知识点总结（一）
意义若一幅图像的像素占有全部可能的灰度级并且分布均匀，则这样的图像有高对比度和多变的灰度色调。该图像主要存在两个问题（1）存在椒噪声、（2）整体灰度值偏低，图像过暗，对比度过低。均值滤波器、中值滤波器、最大值和最小值滤波器、中点滤波器、修正后的阿尔法均值滤波器。高斯噪声、瑞利噪声、伽马噪声、指数分布
CT重建概念和算法详细解析
从左到右分别为：反投影法，滤波反投影法，傅里叶变换。
YOLO v8！| 附教程+代码 以及 vs YOLOv6 v3.0
本文是我关于YOLOv8的经验和实验，以及和YOLOv6 v3.0的相关对比。Part 1 -YOLOv8Joseph Redmon、Santosh Divvala、Ross Girshick和Ali Farhadi推出了YOLO（You Only Look Once）系列计算机视觉模型，引起了许多
VQGAN（Vector Quantized Generative Adversarial Network）模型简介
为了训练 VQGAN 模型，需要使用大量的图像数据集和一些预处理技术，如数据增强和图像裁剪等。在训练过程中，VQGAN 模型会优化两个损失函数：一个用于量化误差（即离散化向量和连续值之间的误差），另一个用于生成器和判别器之间的对抗损失。在实际应用中，VQGAN 可以用于许多有趣的任务，如从文本生成图
简单介绍一下YOLO算法发展历程
YOLO到目前为止总共发布了八个版本（截止笔者发稿），其中YOLOv1奠定了整个YOLO系列的基础，后面的YOLO算法是对其的不断改进创新。接下来，笔者将简单介绍一下YOLOv1-v5的发展历程，并重点介绍YOLOv5。
CityScapes数据集介绍
Cityperson数据集，在16年CVPR上被提出，是张姗姗一波人在CityScapes数据集上进行标注得到的行人检测数据集。有标记的前景对象绝对不能有洞，也就是说，如果有一些背景可见的“通过”一些前景对象，它被认为是前景的一部分。例如:房子或天空前面的树叶(一切都是树)，透明的车窗(一切都是汽车
