使用计算机视觉和深度学习创建现代 OCR 管道
文档扫描仪可以使用手机拍照并[“扫描”]收据和发票等项目。我们的移动文档扫描仪仅输出图像 - 就计算机而言，图像中的任何文本都只是一组像素，无法复制粘贴，搜索或您可以对文本执行的任何其他操作。因此，需要应用光学字符识别或OCR。此过程从我们的文档扫描图像中提取实际文本。运行 OCR 后，我们可以为
【计算机视觉】图像分割与特征提取——频域增强（低通滤波&高通滤波）
主要介绍图像频域的概念以及低通滤波以及高通滤波的相关概念
【深度学习】AI一键换天
基于视觉的视频天空替换和协调方法，该方法可以在具有可控风格的视频中自动生成逼真的天空背景。与以前的天空编辑方法专注于静态照片或需要集成在智能手机中的惯性测量装置拍摄视频不同，该方法完全基于视觉，对捕获设备没有任何要求，并且可以很好地应用于在线或离线处理场景。......
使用CNN进行2D路径规划
本文将CNN应用于解决简单的二维路径规划问题。主要使用Python, PyTorch, NumPy和OpenCV。
人工智能图像识别四大算子
图像识别（Image Recognition）是人工智能的一个重要研究领域。它以图像的主要特征区域（检测目标）为基础，通过数据获取一系列的相关处理，并采用各种算法来对目标图像进行检测，识别与理解。其中，图象是承载检测目标的载体，而检测目标则需事先进行特征提取，归纳。最终通过相应的算法分离出来。通常情
【深度学习前沿应用】图像风格迁移
【深度学习前沿应用】图像风格迁移，基于百度飞桨开发，参考于《机器学习实践》所作。
openCV第三篇
openCV第三篇
YOLOV5 代码复现以及搭载服务器运行
文章目录前言一、YOLO简介二、代码下载三、数据集准备四、配置文件的修改1.data下的yaml2.models下的yaml3.训练train五、搭载服务器训练1.上传数据2.租服务器3.pycharm连接服务器1.添加ssh2.输入密码3.配置服务器环境路径跟代码映射路径4.解压数据5.开始训练6
cpu和gpu已过时，npu和apu的时代开始
🌎CPU是中央处理器。其实就是机器的“大脑”，也是布局谋略、发号施令、控制行动的“总司令官”。CPU的结构主要包括运算器（ALU，ArithmeticandLogicUnit）、控制单元（CU,ControlUnit）、寄存器（Register）、高速缓存器（Cache）和它们之间通讯的数据、控制
【深度学习】（五）目标检测——下篇
上一章介绍了目标检测上篇，主要为两阶段检测的R-CNN系列。这一章来学习一下目标检测下篇。R-CNN系列算法面临的一个问题，不是端到端的模型，几个构件拼凑在一起组成整个检测系统，操作起来比较复杂。而今天介绍的YOLO算法，操作简便且速度快，效果也不错。YOLO算法是一种典型的one-stage方法，
YOLOv5的head详解
yolov5的head详解，主要是detect部分
openCV 第四篇 角点检测、图像特征、图片拼接
openCV第四篇
CycleMLP:一种用于密集预测的mlp架构
CycleMLP有两个优点。(1)可以处理各种大小的图像。(2)利用局部窗口实现了计算复杂度与图像大小的线性关系。
yoloV5-face学习笔记
yolov5-face是在yolov5的基础上添加了人眼关键点检测。首先放上大佬的开源代码：https://github.com/deepcam-cn/yolov5-face一 代码复现原作者代码的注释非常少，很难直接跑通。1.下载WIDERFace数据集图片上图为https://github.co
2022年第二届长三角高校数学建模竞赛B题经验、论文、代码展示
2022年第二届长三角高校数学建模竞赛B题经验、论文、代码展示1、题目要求其中数据附件一数据（截图部分）：附件二数据（部分截图）：在这里插入代码片问题一到问题四的思路：针对问题一，对附件 1 中的 5 个表单的四个传感器数据进行分析，提取相关特征。研究发现 VMD 方法在可以避免模态混叠问题。VMD
机器学习实战4：基于马尔科夫随机场的图像分割(附Python代码)
图像分割将原始冗余而繁杂的图像，转化为一种更具意义且简单紧凑的组织形式，具有重要应用价值。本文介绍如何应用机器学习方法——马尔科夫随机场实现图像分割，加深对概率图模型应用的理解
openCV实践项目：拖拽虚拟方块
openCV实践项目：拖拽虚拟方块
计算两幅图像的相似度（PSNR、SSIM、MSE、余弦相似度、MD5、直方图、互信息、Hash）& 代码实现 与举例
计算两幅图像的相似度（PSNR、SSIM、MSE、余弦相似度、MD5、直方图、互信息、Hash）& 代码实现 与举例。计算两幅图MSE 计算模型的预测 Ŷ 与真实标签 Y 的接近程度。公式表示为：对于两个m×n的单通道图像I和K，它们的均方误差可定义为：优点：MSE的函数曲线光滑、连续，处处可导，便
Yolov5更换上采样方式( 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积)
将原本的的上采样方式替换为转置卷积；有人通过实验证明了确实涨点，但是我在VOC数据集上测试并没有涨点，大概掉了不到1点。
YOLO V7源码解析
YOLO v7参数与YOLO v5差不多，我就直接将YOLO v5命令行参数搬过来了，偷个懒。
