深入剖析Focal loss损失函数
目标检测方法常常使用先验框提高预测性能，一张图像可能生成成千上万的先验框，但是其中只有很少一部分能匹配到目标(正样本)，而没有匹配到目标的先验框占大多数。这种情况造成了One-Stage目标检测方法的正负样本不平衡。如下图所示，红色的先验框都没有匹配到目标，所以它们都属于负样本，只是图中间的黄色先验
基于深度学习的三维重建（一）：三维重建简介、patchmatchNet环境部署、用colmap如何测试自己的数据集
三维重建简介、patchmatchNet环境部署、用colmap如何测试自己的数据集
基于halcon与c#联合的视觉处理软件
1、视觉软件当我们所拿到一个视觉项目，如果有一个拖拽式视觉软件
分享15个全球顶尖的AIGC图片生成平台
人工智能正在改变许多行业的格局，而其中改变最直观和影响最大的就是AIGC领域的图像创作。发展至今已经有很多AI图像生成平台，他们的共同特点就是使用人工智能将文本转换为图像，这是一次革命性的突破，也就是说通过这些AI工具可以在几秒钟内将文字转换成更具可视化表示的图片。那么，就目前而已有那些AI生成图片
Opencv之图像滤波：1.图像卷积（cv2.filter2D）
1.图像卷积在OpenCV中，允许用户自定义卷积核实现卷积操作，使用自定义卷积核实现卷积操作的函数是cv2.filter2D（），其语法格式为：dst=cv2.filter2D（src,ddepth,kernel,anchor,delta,borderType） 式中： ● dst是返回值，表示进行
目标检测算法——YOLOv5/v7/v8改进结合即插即用的动态卷积ODConv（小目标涨点神器）
ICLR2022 助力YOLO | 动态卷积ODConv：大幅提升小目标检测能力！！！
使用c++onnxruntime部署yolov5模型并使用CUDA加速（超详细）
接到一个项目，需要用c++和单片机通信，还要使用yolo模型来做到目标检测的任务，但目前网上的各种博客并没有完整的流程教程，让我在部署过程费了不少劲，也踩了不少坑（甚至一度把ubuntu干黑屏）。于是想把训练及部署过程记录下来，并留给后来者方便使用。（博主使用的系统是ubuntu20.04）
YOLOv5源码逐行超详细注释与解读（4）——验证部分val（test）.py
全网最详细的YOLO源码解读之验证部分val.py。全文近5万字，代码逐行注释，逐段精讲！小白0基础必看！
老师，不干了，被偷家了，SAM分割任何事物模型，0样本分割了我研究一个月的数据
简介Segment Anything Model
【2】YOLOv8原理解析：重新定义实时目标检测的速度和精度
YOLOv8原理解析！
LabVIEW+OpenCV快速搭建人脸识别系统(附源码)
本篇博客将介绍如何使用LabVIEW 和 SFace 快读实现人脸识别系统
【AIGC】6、Segment Anything | Meta 推出超强悍可分割一切的模型 SAM
本文主要介绍 segment anything
b站B导的yoloV7版本添加注意力机制
yolov7增加注意力机制（b导版本）
OpenCV实战——多尺度FAST特征检测
FAST 是用于快速检测图像中关键点的方法，而 SURF 和 SIFT 算法的设计重点是尺度不变性。为了同时实现快速检测和尺度不变性，OpenCV 中引入了新的兴趣点检测器，包括 BRISK (Binary Robust Invariant Scalable Keypoints) 检测器(基于 FA
指纹识别综述(4): 指纹匹配
介绍刑侦、手机解锁、身份证管理等各种身份识别应用中的各类指纹匹配技术，包括细节点匹配、深度学习匹配技术、指纹绝对对齐、指纹刚性和弹性配准等。
【周末闲谈】畅想AR,AR领域迎来新风口
经过了一周的忙碌，周末如期而至，经过了忙碌的一周，何不沏上一小壶茶，享受一下当下呢？😊😊本期的周末闲谈就让我们来聊聊渐渐改变我们生活AR技术吧。增强现实在中国仍处于起步阶段，它的应用十分广泛，出现在我们生活的方方面面，5G时代为AR带了启航的风，相信在不断地技术突破下，AR领域将迎来它的新面貌。
《一种改进的YOLOv5用于无人机捕获场景中的目标检测》论文笔记
本文分析了当前无人机捕捉场景中目标检测算法存在的问题，针对无人机图像中高分辨率、小目标占比大的特点，对YOLOv5s模型进行了三点改进。最终的实验结果表明，我们改进的模型比原来的模型更适用于Visdrone-2020数据集，并且每个模块都能很好地提高该数据集的目标检测精度。与其他方法相比，我们的方法
目标检测算法——YOLOv7改进|增加小目标检测层
目标检测算法——YOLOv7改进|增加小目标检测层。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS
Text to image论文精读GigaGAN: 生成对抗网络仍然是文本生成图像的可行选择
GigaGAN是Adobe和卡内基梅隆大学学者们提出的一种新的GAN架构，作者设计了一种新的GAN架构，推理速度、合成高分辨率、扩展性都极其有优势，其证明GAN仍然是文本生成图像的可行选择之一。
图像处理-特征融合：相加、拼接、Attention
图像处理-特征融合：相加、拼接、Attention特征融合是指来自不同层或分支的特征的组合，是现代网络体系结构中很常见的一种操作。图像处理的特征融合中，对于普遍的多尺度融合，广泛操作是直接将他们相加或者拼接起来！即通常通过简单的操作（例如求和或串联）来实现，但是，这不一定是最佳选择。随着Transf
