一键式AI绘画，让你也能体验当画师的魅力（附原理分析）
AI绘画无疑在最近掀起了一阵热潮，本篇文章首先提供了一个一键式的AI绘画功能包，能够轻松让大家完成AI绘画的操作，在演示之后也分析AI绘画内部所蕴含的AI知识原理。
Segment Anything阅读笔记
这篇文章最近有点火，已经有1万多star了。
NuSences 数据集解析以及 nuScenes devkit 的使用
nuScenes数据集(发音为/nuːsiːnz/)是由Motional(前身为nuTonomy)团队开发的用于自动驾驶的公共大规模数据集。motion公司正在让无人驾驶汽车成为一个安全、可靠、方便的现实。通过向公众发布我们的一部分数据，motion旨在支持公众对计算机视觉和自动驾驶的研究。为此，我
【个人记录 | UNet | 整理ing】
和UNet做好朋友：代码/框架/整理/阅读
CVPR2023论文及代码合集来啦~
80、半监督学习、弱监督学习/无监督学习/自监督学习。36、行为识别/动作识别/检测/分割/定位。46、场景重建/视图合成/新视角合成。74、迁移学习/domain/自适应。23、图像复原/图像增强/图像重建。26、图像去噪/去模糊/去雨去雾。32、人脸生成/合成/重建/编辑。35、图像&视频检索/
ORB特征
ORB(Oriented FAST and Rotated BRIEF)特征是一种常用的图像特征，其最大的优点是提取速度快，按业界的说法，ORB特征提取速度臂SURF快10倍，比SIFT快100倍。ORB特征由关键点和描述子两部分组成。他的关键点称为“Oriented FAST”，是一种改进的FAS
YOLOv5入门实践（5）——从零开始，手把手教你训练自己的目标检测模型（包含pyqt5界面）
YOLOv5入门实践最终篇，保姆级别手把手带你从零开始训练自己的目标检测模型（包含pyqt5界面实现）超级详细！小白必看！
[深度学习] 基于切片辅助超推理库SAHI优化小目标识别
AutoDetectionModel类SAHI基于AutoDetectionModel类的from_pretrained函数加载深度学习模型。目前支持YOLOv5 models, MMDetection models, Detectron2 models和HuggingFace object det
【深度学习】详解 BEiT
【深度学习】详解 BEIT: BERT Pre-Training of Image Transformers
【深度估计】单目深度估计
【深度估计】单目深度估计
三维点云| CloudCompare软件使用总结
CloudCompare软件功能介绍
关于通过matlab实现Canny边缘处理的一些笔记
最近看了一些神经网络处理图像的视频，受到卷积核的启发，通过matlab实现了Canny边缘处理。左图为基本边缘处理，右图为Canny算法处理，本文记录了matlab实现Canny边缘检测时遇到的一些问题以及过程中的处理原理，各参数对结果造成的影响，并附有matlab代码即演示。
去除马赛克，有办法了 附运行教程
消除马赛克秒变高清人像，将模糊的照片秒变清晰。ai技术是越来越强悍了。但现在的ai技术，真的可以完全消除马赛克，百分百还原照片吗？其实，消除马赛克的算法 PULSE，在2年前就已经发布了。通过算法脑补出打码的地方，帮助我们还原照片。甚至脸上的毛孔、头发都能复原。发展到现在，消除马赛克的技术已经趋于成
【计算机视觉·OpenCV】使用Haar+Cascade实现人脸检测
人脸检测的目标是找出图像中所有的人脸对应的位置，算法的输出是人脸的外接矩形在图像中的坐标。使用 haar 特征和 cascade 检测器进行人脸检测是一种传统的方式，下面将给出利用 OpenCV 中的 haarcascade 进行人脸检测的代码。
目标检测算法——YOLOv5/YOLOv7改进之结合PP-LCNet（轻量级CPU网络）
PP-LCNet——轻量级且超强悍的CPU级骨干网络！！PP-LCNet 在同样精度的情况下，速度远超当前所有的骨架网络！它应用在比如目标检测、语义分割等任务算法上，也可以使原本的网络有大幅度的性能提升。
yolov5篇---官方ultralytics / yolov5代码复现，训练自己的数据集
yolov5篇---官方ultralytics / yolov5代码复现，训练自己的数据集
COLMAP利用已知相机内外参重建NeRF的blender模型
本文的目的是根据已知相机内外参数的blender模型，使用colmap进行稀疏重建和稠密重建。
Yolov8训练自己的数据集
用yolov8训练自己的数据集，熟悉yolov8整个流程，便于下一步魔改网络等
ConvNeXt V2学习笔记
在改进的架构和更好的表示学习框架的推动下，视觉识别领域在21世纪20年代初实现了快速现代化和性能提升。例如，以ConvNeXt[52]为代表的现代ConvNets在各种场景中都表现出了强大的性能。虽然这些模型最初是为使用ImageNet标签的监督学习而设计的，但它们也可能受益于自监督学习技术，如蒙面
MAE详解
目录一、介绍二、网络结构1. encoder2. decoder3. LOSS三、实验全文参考：论文阅读笔记：Masked Autoencoders Are Scalable Vision Learners_塔_Tass的博客-CSDN博客masked autoencoders(MAE)是hekai
