奇异值分解（SVD）和图像压缩
在本文中，我将尝试解释 SVD 背后的数学及其几何意义，还有它在数据科学中的最常见的用法，图像压缩。
【计算机视觉】目标检测—yolov5自定义模型的训练以及加载
yolov5如何自定义训练模型？如何加载模型并进行解读
目标检测算法——YOLOv5/YOLOv7改进之结合特征提取网络RFBNet（涨点明显）
计算机视觉——致力于目标检测领域科研Tricks改进与推荐 | 主要包括Backbone、Neck、Head、普通注意力机制、自注意力机制Transformer，各种IoU Loss损失函数、NMS及各类激活函数替换、轻量化网络改进、数据增强策略以及其他视觉顶会创新点改进等等。
Opencv学习之：将图片的值进行范围调整 cv2.normalize()
cv2.normalize()指定将图片的值放缩到 0-255 之间array = cv2.normalize(array,None,0,255,cv2.NORM_MINMAX)cv2.NORM_MINMAX ：使用的放缩方式是 min_max 的方式其对应的原理是：x^=x−minmax−min∗
【半监督医学图像分割 2022 CVPR】S4CVnet 论文翻译
由于医学影像界缺乏高质量标注，半监督学习方法在图像语义分割任务中受到高度重视。为了充分利用视觉转换器(ViT)和卷积神经网络(CNN)在半监督学习中的强大功能，本文提出了一种基于一致性感知伪标签的自集成方法。我们提出的框架包括一个由ViT和CNN相互增强的特征学习模块，以及一个用于一致性感知目的的健
YOLOX改进之损失函数修改（上）
文章内容：如何在YOLOX官网代码中修改置信度预测损失环境：pytorch1.8损失函数修改内容：（1）置信度预测损失更换：二元交叉熵损失替换为FocalLoss或者VariFocalLoss（2）定位损失更换：IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列提示：使用之前可以先了解Y
非常详细的相机标定原理、步骤（一）
主要说明了 世界坐标系到相机坐标系，相机的外参与内参
基于卷积神经网络的人脸表情识别(JAFFE篇)
1.win10/11操作系统2.python3.7以上3.tensorflow2.4以上版本（2.0其它版本需要微调）4.内存12G，显卡4G以上（没有独显倒是也能跑...）（这个可爱的妹子就是JAFFE数据集中的图片）
多模态情感识别数据集和模型(下载地址+最新综述2021.8)
引用论文：Zhao, Sicheng, et al. “Emotion Recognition from Multiple Modalities: Fundamentals and Methodologies.” arXiv preprint arXiv:2108.10152 (2021).PDF链
detectron2安装详细教程+demo测试
win10 下 detectron2 安装详细教程，手把手教你配置！！
CVPR 2022 | 最全25+主题方向、最新50篇GAN论文汇总
一顿午饭外卖，成为CV视觉前沿弄潮儿35个主题！ICCV 2021最全GAN论文汇总超110篇！CVPR 2021最全GAN论文梳理超100篇！CVPR 2020最全GAN论文梳理在最新的视觉顶会CVPR2022会议中，涌现出了大量基于生成对抗网络GAN的论文，广泛应用于各类视觉任务；下述论文已分类
【VisionMaster SDK开发】第一讲 环境配置篇（C#/C++）
VM二次开发常用于机器视觉应用中对界面、日志、产品管理、通讯或数据库等有特定需求的场合。相比于直接使用VM软件，VM二次开发更加灵活；相比于使用算子包开发，VM二次开发具有开发简单、开发效率高等优势，故成为视觉开发人员的首选开发方式。......
【论文笔记】IEEE | 一种新卷积 DSConv: Efficient Convolution Operator
我们引入了一种称为 DSConv（分布移位卷积）的卷积层变体，它可以很容易地替换到标准神经网络架构中，并实现更低的内存使用和更高的计算速度。DSConv 将传统的卷积核分解为两个组件：可变量化核 (VQK) 和分布偏移。通过在 VQK 中仅存储整数值来实现更低的内存使用和更高的速度，同时通过应用基于
PF-Net基于深度学习的点云补全网络
cvpr2020 PF-Net点云补全技术
一起自学SLAM算法：10.1 RTABMAP算法
连载文章，长期更新，欢迎关注：同前面介绍过的大多数算法一样，RTABMAP也采用基于优化的方法来求解SLAM问题，系统框架同样遵循前端里程计、后端优化和闭环检测的三段式范式。这里重点讨论RTABMAP两大亮点，一个亮点是支持视觉和激光融合，另一个亮点是内存管理机制。下面将从原理分析、源码解读和安装与
CutMix原理与代码解读
其中\(M\in\left\{0,1\right\}^{W\timesH}\)是一个binarymask表明从两张图中裁剪的patch的位置，和mixup一样，\(lambda\)也是通过\(\beta(\alpha,\alpha)\)分布得到的，在文章中作者设置\(\alpha=1\)，因此\(l
OpenCV笔记：cv2.VideoCapture 完成视频的跳帧输出操作
不需要对循环读取视频的每一帧进行解析，跳过中间帧，将数据量降低以优化效率。
NeurIPS2022 | SegNeXt，重新思考卷积注意力设计
在本文中，作者分析了以前成功的分割模型，并找到了它们所拥有的良好特征。基于这些发现，作者提出了一个定制的卷积注意力模块 MSCA 和一个 CNN 风格的网络 SegNeXt。实验结果表明，SegNeXt 在相当大的程度上超越了当前最先进的基于Transformer的方法。最近，基于Transform
【Deep-sort多目标跟踪流程及其改进方法的解读】
【Deep-sort多目标跟踪流程及其改进方法的解读】文前白话相关的文章、资源链接流程及其改进方法的梳理一、多目标跟踪的流程二、Sort 与 deepSort 的对比三、DeepSort主要的跟踪流程四、关于DeepSort中部分模块原理的理解1、预测模块2、更新模块3、使用级联匹配算法4、马氏距离
计算机视觉—— 相机标定
目录简介一、相机模型1.坐标系2.坐标系变化3.相机畸变模型二、相机标定原理 三、张正友黑白棋盘格标定2.1.算法思想2.2.求解内参和外参的积2.3.求解内参矩阵2.4.求解外参矩阵2.5.得到相机畸变矫正参数2.6.L-M算法参数优化三、实验3.1 实验要求3.2 实验数据环境3.3 代码3.
