计算机视觉

程序员之电工基础-CV程序解决目标检测兴趣爱好来了，决定研发一个产品。涉及到电工和机械等知识，所以记录一下相关的基础知识。今天的内容又回到了我的主营板块！！哈哈！！为后续整体集成做准备，先测试目标检测部分的能力。

晓晓暮雨潇潇

FPGA开发技能(12)matlab图片处理助力FPGA开发当需要查看一张标准格式如png jpg的图片灰度化二值化的效果的时候，使用matlab非常方便。主要用到的函数是rgb2gray进行灰度化处理了，im2bw进行二值化处理。其代码和效果如下：

却道天凉_好个秋

计算机视觉（四）：二值化二值化，就是将图像从彩色或灰度模式转换为只有两种颜色（通常是黑色和白色）的模式。这个过程的本质是设定一个阈值 (Threshold)，将图像中所有像素的灰度值与这个阈值进行比较。

CVPR2019 Oral论文《Side Window Filtering》解读及算法 Python 实现目录摘要待解决的问题算法思想实验结果与分析1. 侧窗技术应用 -- 均值滤波理论分析1.1 多类边缘均值滤波结果对比

有心栽花无心插柳

YOLO：一次看遍全局，如何颠覆实时目标检测的游戏规则？(引言) 当机器睁开“眼睛” 想象一下，一辆自动驾驶汽车在繁忙的街道上行驶，它需要在毫秒之间识别出前方的行人、车辆和交通信号灯。或者，一个智能安防摄像头需要实时捕捉到闯入禁区的可疑人员。这些未来感十足的场景，背后都依赖于一项核心技术——目标检测 (Object Detection)。

GQNN 框架：让 Python 开发者轻松搭建量子神经网络随着人工智能技术的飞速发展，对计算能力的需求也在急剧增长。尽管传统经典神经网络在图像识别、自然语言处理等领域取得了巨大成功，但在处理指数级规模数据或高度复杂的纠缠问题时，经典计算的根本局限性逐渐成为瓶颈。量子神经网络（Quantum Neural Networks, QNNs）作为量子计算与机器学习融合的前沿方向，为解决这一难题提供了全新的可能。

轻量级注意力模型HOTSPOT-YOLO：无人机光伏热异常检测新SOTA，mAP高达90.8%【导读】无人机光伏巡检如何更智能、更高效？HOTSPOT-YOLO模型给出了亮眼答案！给AI装上“热成像鹰眼”，能精准锁定光伏板上的细微热斑缺陷。它不仅将检测精度（mAP）提升至90.8%，更在保持实时性的前提下大幅“瘦身”，参数减少超200万，轻松部署于无人机平台。实验证明，其在亮度变化、噪声干扰等复杂场景下表现依然鲁棒，为大规模光伏电站的自动化巡检提供了可靠、高效的解决方案。

使用node-red+opencv+mqtt实现相机图像云端查看一、本机环境jetson nano ubuntu20.04python 3.12安装并启动mqtt broker

基于Ultralytics YOLO通用目标检测训练体系与PyTorch EfficientNet的图像分类体系实现第一部分聚焦于目标检测任务，基于先进的Ultralytics YOLO框架，构建了一套高度自动化和工程化的训练体系。该体系始于demo.py脚本，通过对原始图像与标签文件进行智能匹配与随机划分，解决了数据不一致问题，并通过设置随机种子确保了实验的可复现性。划分后的数据集通过标准化的data.yaml文件进行管理，清晰定义了训练、验证和测试集的路径以及类别信息。在train.py中，采用YOLOv11架构从零开始训练，通过精细配置SGD优化器、学习率预热、早停机制、混合精度训练（AMP）和多种数据增强策略（

卡尔曼的BD SLAMer

计算机视觉与深度学习｜基于深度学习的图像特征提取与匹配算法综述及MATLAB实现图像匹配技术经历了从传统手工设计特征到深度学习自动学习特征的演进过程。传统方法如SIFT、SURF和ORB通过手工设计的特征描述子实现匹配，而深度学习方法则通过神经网络自动学习图像的高层语义特征，显著提升了复杂场景下的匹配鲁棒性[79]。

机器学习 - Kaggle项目实践（6）Dogs vs. Cats Redux: Kernels Edition 猫狗二分类Dogs vs. Cats Redux: Kernels Edition | Kaggle任务：给定猫狗图像数据集进行二分类。

星期天要睡觉

（纯新手教学）计算机视觉（opencv）实战十——轮廓特征（轮廓面积、轮廓周长、外接圆与外接矩形）在图像处理和计算机视觉中，轮廓（Contour）是物体边界的一种表现形式。通过提取图像中的轮廓，我们可以获取目标区域的形状、面积、周长、外接几何体等重要特征，为后续的目标识别、分类和检测奠定基础。

计算机sci论文精选

CVPR 强化学习模块深度分析：连多项式不等式+自驾规划关注gongzhonghao【CVPR顶会精选】今天想和大家聊聊极具潜力的强化学习。它正处于技术突破爆发期，无论是理论创新还是工程落地，都有巨大探索空间。同时，作为跨领域的 “技术桥梁”，强化学习在自动驾驶、机器人、金融、游戏等需要动态决策的场景广泛应用，既能满足产业需求，又备受多领域关注。

【完整源码+数据集+部署教程】硬币分类与识别系统源码和数据集：改进yolo11-SWC随着经济的发展和数字支付的普及，传统硬币的使用逐渐减少，但在某些地区和特定场合，硬币仍然是重要的支付手段。因此，硬币的分类与识别在自动化支付、智能零售和物联网等领域具有重要的应用价值。尤其是在银行、商超和自助售货机等场景中，快速、准确地识别和分类硬币不仅可以提高交易效率，还能降低人工成本，提升用户体验。

【深度学习计算机视觉】02：微调【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈PyTorch深度学习 ⌋ ⌋ ⌋ 深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据分析、科学探索等领域都取得了很多成果。本专栏介绍基于PyTorch的深度学习算法实现

【python开发123】三维地球应用开发方案开发一个类似谷歌地图的三维地球应用是一个相当有挑战性的项目，尤其是计划在一周内完成。考虑到时间限制，我们需要采用轻量化设计并聚焦核心功能。

Python Imaging Library (PIL) 全面指南：PIL高级图像处理-分割与颜色空间转换本课程将深入探讨PIL（Python Imaging Library）中的一些高级功能，包括图像分割和颜色空间转换。通过本课程的学习，学员将能够掌握如何使用PIL进行更复杂的图像处理任务，如将图像分割成多个部分，以及如何在不同的颜色空间之间转换图像。

音视频牛哥

机器人视频感知架构深度解析：7条技术法则，打造低延迟实时感知与交互过去几年，机器人行业像过山车一样经历了极端起伏：从资本的狂热追捧，到泡沫破裂后的冷静回归。尤其是 2024 年之后，整个行业进入“去伪存真”的阶段，投资人和客户提出的终极问题不再是“能不能做出炫酷 Demo”，而是“能否规模化量产、在真实场景稳定运行”。

Shi-Tomasi 算法和 Harris 角点检测算法都是经典的角点检测方法，但它们在理论基础和实现细节上有一些区别。下面我将详细对比这两种算法。Shi-Tomasi 算法和 Harris 角点检测算法都是经典的角点检测方法，但它们在理论基础和实现细节上有一些区别。下面我将详细对比这两种算法。

强化学习基本实操强化学习（Reinforcement Learning, RL）是近年来人工智能领域的热门方向，而 Stable-Baselines3 是目前最常用、最友好的 RL 库之一。本文带你快速上手，从安装到训练智能体，并尝试不同环境。