数字图像处理实验(直方图均衡化&规定化)
通常情况下,图像的直方图会呈现不平衡的状态,即图像的某些灰度级出现的次数很多,而其它灰度级出现的次数很少。通常情况下,图像的直方图会呈现不平衡的状态,即图像的某些灰度级出现的次数很多,而其它灰度级出现的次数很少。直方图规定化的具体做法是,首先计算出图像的直方图,然后根据直方图计算出每个灰度级的累计分
CVPR2023
CVPR2023
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