【视觉SLAM14讲】【汇总】
第一讲东西少，就没记录【slam十四讲第二版】【课本例题代码向】【第二讲初识SLAM】【SLAM基础知识】【linux下C++编译】【cmake基础使用】【slam十四讲第二版】【课本例题代码向】【第三~四讲刚体运动、李群和李代数】【eigen3.3.4和pangolin安装，Sophus及fim的
3D深度相机---结构光
去年的仪器仪表的课有汇报，我还专门为3D深度像机做了个调研，一直用inter realsense的，最近老师让看结构光方案的，正好总结一下。由于基于双目立体视觉的深度相机对环境光照强度比较敏感，且比较依赖图像本身的特征，因此在光照不足、缺乏纹理等情况下很难提取到有效鲁棒的特征，从而导致匹配误差增大甚
OpenCV实战（17）——FAST特征点检测
Harris 算子根据两个垂直方向上的强度变化率给出了角点(或更一般地说，兴趣点)的数学定义。但使用这种定义需要计算图像导数，计算代价较为高昂，特别是兴趣点检测通常只是更复杂算法的先决步骤。在本中，我们将学习另一个特征点检测算子 FAST (Features from Accelerated Seg
深度学习常用的backbone有哪些
深度学习中常用的backbone有resnet系列（resnet的各种变体）、NAS网络系列（RegNet）、Mobilenet系列、Darknet系列、HRNet系列、Transformer系列和ConvNet。
CVAT——计算机视觉标注工具
CVAT 是用于计算机视觉的强大、有效、免费、在线、交互式视频和图像注释工具
OpenCV图像特征提取学习四，SIFT特征检测算法
SIFT特征检测算法原理
（学习笔记）图像处理——高斯滤波、高斯模糊、高斯锐化
一种根据高斯函数的形状来选择权值的线性平滑滤波器，适用于高斯噪声的滤除，在图像处理中应用广泛。高斯滤波是指用高斯函数作为滤波函数，如果高斯低通则是高斯模糊，如果高通则是高斯锐化。
【深度学习经典网络架构—8】：注意力机制之SE_Block
😺一、引言类似于人脑的注意力感知，那卷积神经网络能否也能产生注意力效果呢？答案是：**可以！****SE_Block是SENet的子结构**，作者将SE_Block用于ResNeXt中，并在ILSVRC 2017大赛中拿到了分类任务的第一名，在ImageNet数据集上将top-5 error降低到
相机标定和双目相机标定标定原理推导及效果展示
参考了一些大佬的文章，整理了一下相机标定和双目标定的原理和推导。
LAHeart2018左心房分割实战
2018 Atrial Segmentation ChallengeThe Left Atrium (LA) MR dataset from the Atrial Segmentation Challenge数据集下载地址：Data – 2018 Atrial Segmentation Challe
17届全国大学生智能汽车竞赛 中国石油大学（华东）智能视觉组 --模型训练篇
如果你习惯使用jupyter notebook编写代码，这里也提供了jupyter版本的代码。在目录下的example.ipynb，有所有内容的完整代码。这部分的代码已上传到我的。模型的精度在比赛中非常关键，毕竟分类错误的罚时是非常狠的。
不是所有数据增强都可以提升精度
即使引入噪声或裁剪图像的一部分，模型仍可以对图像进行分类，数据增强有一系列简单有效的方法可供选择，有一些机器学习库来进行计算视觉领域的数据增强，比如：imgaug (https://github.com/aleju/imgaug)它封装了很多数据增强算法，给开发者提供了方便。计算视觉领域的数据增强算
关于Retinex理论的一些理解
目前一直在参与关于Retinex的相关课题，并完成了许多模型的构建，本文以个人的见解介绍Retinex的相关理论1. 基本原理 Retinex理论是上世纪八十年代由land等人提出的算法。该理论认为人眼可以感知近似一致的色彩信息，这种性质称为色彩恒定性。这种恒定性是视网膜（Retina）与大脑皮层
【CUDA】Ubuntu系统如何安装CUDA保姆级教程(2022年最新)
Ubuntu系统的服务器如何安装 CUDA ？看完本篇博文，相信你会找到答案。
深度学习中FLOPS和FLOPs的区别与计算
我们在购买GPU或者计算目标检测模型复杂度的时候，一般会遇到FLOPS和FLOPs这两个指标，在此加以区分。
【目标检测】YOLOV1详解
最近在公司实习，看到其实很多落地的模型都是基于yolo来改进的。在闲暇之余又重新温故了一下yolo系列，并想着将它们进行一个总结。今天就从V1下手，接下来的几个系列也会分别进行详解。相比起Faster R-CNN的两阶段算法，2015年诞生的YOLOv1创造性地使用端到端（end to end）结构
深度解析预训练权重的本质和作用：你真的了解它们吗？
为了训练自定义模型，通常需要使用大量标注好的图像数据来训练模型。但是，当可用的训练数据不够多时，可以使用预训练权重来提高模型的性能。
【学习笔记】部署yolov8到安卓手机
把yolov8部署到安卓手机哟，用手机软件也能进行检测啦
基于深度学习的图像配准
基于深度学习的图像配准技术
coco-annotator的安装与使用
COCO Annotator是一个基于web的图像标注工具，其多功能性和易用性旨在有效地标记图像，以创建用于图像定位和对象检测的训练数据。它提供了许多不同的功能，包括标记图像片段（或片段的一部分）、跟踪对象实例、标记具有断开的可见部分的对象、以COCO 格式有效存储和导出标注信息。
