精华内容
下载资源
问答
  • 计算机视觉综述

    2019-10-08 21:47:41
    计算机视觉(Computer Vision)又称为机器视觉(Machine Vision),顾名思义是一门“教”会计算机如何去“看”世界的学科。在机器学习大热的前景之下,计算机视觉与自然语言处理(Natural Language Process, NLP)...

    一、简介

    计算机视觉(Computer Vision)又称为机器视觉(Machine Vision),顾名思义是一门“教”会计算机如何去“看”世界的学科。在机器学习大热的前景之下,计算机视觉与自然语言处理(Natural Language Process, NLP)及语音识别(Speech Recognition)并列为机器学习方向的三大热点方向。而计算机视觉也由诸如梯度方向直方图(Histogram of Gradient, HOG)以及尺度不变特征变换(Scale-Invariant Feature Transform, SIFT)等传统的手办特征(Hand-Crafted Feature)与浅层模型的组合逐渐转向了以卷积神经网络(Convolutional Neural Network, CNN)为代表的深度学习模型。

    方法 特征提取 后续决策
    传统方法 SIFT,HOG, Raw Pixel … SVM,随机森林, 线性回归
    深度学习 CNN … CNN

    传统方法的处理流程一般为:
    图像预处理特征提取建立分类或回归模型输出
    深度学习一般采用端到端的方法,常见处理流程为:
    图片端到端算法(常用深度学习)→ 输出

    二、专业词汇

    1. 数据

    图像

    • 色彩空间
      常见的色彩空间有RGB和HSV。
    • 格式
      常见的图像格式有JPEG,PNG,BMP,区别主要是图片的压缩编码方式不同。
    • 图像深度
      存储每个像素所用的位数(bits),当一个像素占用的位数越多时,它所能表现的颜色就更多,更丰富。

    视频

    • 帧率
    • 带宽

    2.数据获取设备

    摄像机的分类:

    • 监控摄像机(网络摄像机和摸你摄像机)
    • 不同行业需求的摄像机(超宽动态摄像机、红外摄像机、热成像摄像机等)
    • 智能摄像机
    • 工业摄像机

    3.数据处理设备

    • CPU
      CPU 它是一个高性能,就是超低延时性的,他能够快速的去做复杂运算,并且能达到一个很好的性能要求,CPU重视的是性能。
    • GPU
      GPU是以一个叫做运算单元为格式的,所以他的优点不在于低延时性,因为他确实不善于做复杂运算,它每一个处理器都非常的小,相对来说会很弱,但是它可以让它所有的弱处理器,同时去做处理,那相当于他就能够同时处理大量的数据,那这个就意味着它的吞吐量非常大,GPU重视的是吞吐量。GPU 他会跟另外一个词语联系在一起,叫做并行计算,意思就是它可以同时做大量的线程运算,为什么图像会特别适合用 GPU 运算呢?这是因为 GPU 它最开始的设计就是叫做图形处理单元,它的意思就是我可以把每一个像素,分割为一个线程去运算,每一个像素只做一些简单的运算,这个就是最开始图形处理器出现的原理。它要做图形渲染的时候,要计算的是每一个像素的变换。所以每一个像素变换的计算量是很小很小的,可能就是一个公式的计算,计算量很少,它可以放在一个简单的计算单元里面去做计算,那这个就是 CPU 跟 GPU 的差别。

    三、应用场景

    1.无人驾驶
    无人驾驶又称自动驾驶,是目前人工智能领域一个比较重要的研究方向,让汽车可以进行自主驾驶,或者辅助驾驶员驾驶,提升驾驶操作的安全性。目前已经有一些公司研发出了自动泊车等辅助驾驶功能并得以应用。目前这方面做得比较好的是谷歌的无人驾驶汽车。国内也有一些比较好的公司,如百度无人驾驶车已经在一些园区得以应用,还有图森未来的货运车也完成了多次路测,并已经投入市场使用。

    计算机视觉在无人驾驶中起到了非常关键的作用,比如道路的识别,路标的识别,红绿灯的识别,行人识别等等平常驾驶过程中需要注意的。另外还包括三维重建及自主导航,通过激光雷达或者视觉传感器可以重建三维模型,辅助汽车进行自主定位及导航,进行合理的路径规划和相关决策。

    2.人脸识别

    人脸识别技术目前已经研究得相对比较成熟,并在很多地方得到了应用,且人脸识别准确率目前已经高于人眼的识别准确率,很多高铁站及门禁的地方都用到了人脸识别,很多都有刷脸系统,有些城市甚至在银行取钱都可以直接刷脸。

    3.无人安防

    安防一直是我国比较重视的问题,也是人们特别重视的问题,在很多重要地点都安排有巡警巡查,在居民小区以及公司一般也都有保安巡查来确保安全。随着计算机视觉的发展,计算机视觉技术已经能够很好的应用到安防领域,目前很多智能摄像头都已经能够自动识别出异常行为以及可疑危险人物,及时提醒相关安防人员或者报警,加强安全防范。

    4.车辆车牌识别

    车辆车牌识别目前已经是一种非诚成熟的技术了,高速路上的违章检测,车流分析,安全带识别,智能红绿灯,还有停车场的车辆身份识别等都用到了车辆车牌识别,不仅能识别出车牌的号码,目前车辆识别技术已经能对道路上的车辆车型进行识别,通过识别摄像头获取的图像,能获取到车辆的型号及颜色等特征。

    5.智能识图

    智能识图是我们生活中比较常见的计算机视觉的应用了。看到一个纸质文档,想要把其转换成电子文档,直接把文档拍下来,用相关软件进行文字识别,就能把图像中的文字自动转换成电子文档,甚至还能自动翻译成其他语言。看到一件衣服或一个物品,想在网上找他的来源等其他相关信息,直接输入图片,以图搜图,很快就能找到很多该图片出现的地方以及很多类似的图片。甚至还有些能直接告诉你图片中的物体是个什么东西,或者大概判断图片中的人像的大概年龄等比较好玩的功能。

    6.3D重构

    3D重构之前在工业领域应用比较多,可以用于对三维物体进行建模,方便测量出物体的各种参数,或者对物体进行简单复制。最近也慢慢开始应用到民用领域了,比如新出的华为mate20系列手机,就已经可以对玩偶进行三维建模,并能够设置一些特定的动作,让玩偶“活”起来,甚至可以与人进行一些互动。当然这里与人互动还用到AR技术。

    7.VR/AR

    VR/AR技术相信大家都已经比较熟悉了。VR眼睛在前两年卖得特别火爆,还有一些9D游戏机,就是利用VR技术让人能够有一种身临其境的感觉。而AR技术目前比较常见的可能是双十一时候淘宝的天猫,还有之前比较火爆的宠物捕获游戏,可以在现实场景中加入一些其他元素,目前这个领域还在快速发展中。很多方便人们生活的应用也在不断推出,比如智能翻译,用手机对着需要翻译的字,在这个界面上就自动显示出相关的翻译,或者后面可能实现的虚拟试衣间等,将大大的方便人们的生活。

    8.智能拍照

    这个相信是大家很熟悉的一个名词了,基本每个智能手机都开始配有这个功能。最基础的功能包括自动曝光,自动白平衡,自动对焦等,还有一些去燥算法,能很好的提高手机拍照的图像质量。随着计算机视觉技术的进步,一些自动美颜算法,自动挂件,自动滤镜,场景切换等越来越多有趣的功能都被开发出来。还有一些图像处理软件,像专业的Photoshop,还有比较民用化的美图秀秀,美颜相机等,基本也都是利用计算机视觉的技术。

    9.医学图像处理

    常见的医学成像,比如B超,核磁共振,X光拍片等。随着AI技术的发展,还开始有一些AI诊断的功能,AI根据图像的特征对相关疾病的可能性进行分析。

    10.无人机

    随着无人机技术的发展,计算机视觉技术在无人机上的应用必不可少,军用无人机中,可以对目标进行自动识别并自主导航,精确制导等,民用的无人机也类似,例如大疆的无人机,能够跟踪人进行实时的拍照,还有一些手势控制等。还有一些特殊场景的应用,例如电力巡检,农作物分析等。

    11.工业检测

    工业领域计算机视觉也得到了充分应用,例如产品缺陷检测,工业机器人姿态控制,利用立体视觉来获得工件和机器人之间的相对位置姿态。

    四、学习路线

    1.编程语言

    熟练使用C++或者python,推荐书籍为《C++ Primer》和《python编程 从入门到实践》,B站上有相关的教学视频可以用来学习。

    2. 熟练使用linux操作系统

    推荐书籍为《鸟哥的Linux私房菜》。

    3.机器学习和深度学习

    计算机视觉中使用的机器学习方法个人感觉不算多,早期的时候会用SVM做分类,现在基本都用深度学习选特征+分类。原因在于统计机器学习这一块虽然方法不少,但是基本都无法应对图像这么大的数据量。 不过大家在学习过程中很容易接触到各种机器学习方法的名字因为现在大数据分析、机器学习、语音识别、计算机视觉等这些其实分得不是很开,然后不自觉地就会去了解和学习。这样我感觉总体来说是好的。不过在学习一些暂时用不着的算法时,个人感觉没必要做的太深:重在理解其思想,抓住问题本质,了解其应用方向。
    传统机器学习方法主要包括决策树、神经网络、支持向量机、boosting、贝叶斯网等等。方法挺多的,同一类方法不同的变形更多。除了这些监督式学习,还有非监督学习、半监督学习、强化学习。当然还有一些降维算法(如PCA)等。学习资料主要推荐吴恩达的coursera课程《Machine Learning》,还有李航的《统计学习方法》和周志华的《机器学习》,两本在国内机器学习界成为经典的书。
    深度学习主要是CNN和RNN,近年来GAN也逐渐火起来了,增强学习的发展也很快。具体学习路线后续会出专门的博文进行介绍。

    4.数学
    一切工程问题归根结底都是数学问题,这里说说计算机视觉和机器学习所涉及的数学问题。

    微积分:比如图像找边缘即求微分在数字图像里是做差分(离散化)啦,光流算法里用到泰勒级数啦,空间域转频域的傅立叶变换啦,还有牛顿法、梯度下降、最小二乘等等这些都用的特别普遍了。

    概率论与统计:这个比较高深,是应用在机器学习领域里最重要的数序分支。应用比如:条件概率、相关系数、最大似然、大数定律、马尔可夫链等等。 浙大的《概率论与数理统计》感觉还行,够用。

    线性代数与矩阵:数字图像本身就是以矩阵的形式呈现的,多个向量组成的样本也是矩阵这种形式非常常见,大多机器学习算法里每个样本都是以向量的形式存在的,多个矩阵叠加则是以张量(tensor)的形式存在google深度学习库tensorflow的字面意思之一。具体应用,比如:世界坐标系->相机坐标系->图像坐标系之间的转换,特征值、特征向量,范数等。 推荐国外的上课教材《线性代数》。

    凸优化:这个需要单独拎出来说一下。因为太多问题(尤其机器学习领域)都是优化问题(求最优),凸优化是里面最简单的形式,所以大家都在想办法怎么把一般的优化问题转化为凸优化问题。至于单纯的凸优化理论,好像已经比较成熟了。在机器学习里,经常会看到什么求对偶问题、KKT条件等,潜下心花两天学一学。

    五、总结

    目前,计算机视觉的总体趋势是偏向于深度学习方法,我会在以后的博文里面重点介绍计算机视觉里面的深度学习方法。总之,我认为计算机视觉是一门入门简单,但是后期学习曲线陡峭的行业,行业的发展需要我们对理论的深入理解与创新,而不能仅仅局限于复现模型或者把别人的算法直接拿来用,我们应该深入思考算法的下一步优化方法,以及不同算法之间的差异。

    展开全文
  • 深度学习与计算机视觉综述 胡玉针170219模式识别 施杰 170236检测 本报告主要讲述在计算机视觉领域深度学习如何逐渐占据主流以 及传统的识别算法的优缺点,较为详细的介绍了CNN卷积神经网 络的架构,简单介绍了深度...
  • 深度学习与计算机视觉综述 胡玉针170219模式识别 施杰 170236 检测 本报告主要讲述在计算机视觉领域深度学习如何逐渐占据主流以 及传统的识别算法的优缺点,较为详细的个绍了CNN卷积神经网 络的架构,简单介绍了深度...
  • 2019年计算机视觉综述论文汇总

    千次阅读 2019-12-14 22:36:20
    【导读】本文整理了2019年计算机视觉方面的综述论文,包含目标检测、图像分割(含语义/实例分割)、目标跟踪、医学图像分割、显著性目标检测、行为识别、深度估计等。可以使读者对相关 目标检测 2019 四大目标检测...

    【导读】本文整理了2019年计算机视觉方面的综述论文,包含目标检测、图像分割(含语义/实例分割)、目标跟踪、医学图像分割、显著性目标检测、行为识别、深度估计等。可以使读者对相关

    目标检测

    2019 四大目标检测综述论文:

    Imbalance Problems in Object Detection: A Review

    Recent Advances in Deep Learning for Object Detection

    A Survey of Deep Learning-based Object Detection

    Object Detection in 20 Years: A Survey

    目标检测更多论文详见:【资源】最全目标检测论文汇总(含最新 2019)
     

    图像分割

    Deep Semantic Segmentation of Natural and Medical Images: A Review

    Deep Learning Techniques for Image Segmentation

    • intro: 本综述介绍了从2013年到2019年,主流的30多种分割算法(含语义/实例分割),50多种数据集,共计224篇参考文献
    • 链接: https://arxiv.org/abs/1907.06119

     

    目标跟踪

    A Review of Visual Trackers and Analysis of its Application to Mobile Robot

    Deep Learning in Video Multi-Object Tracking: A Survey

     

    超分辨率

    A Deep Journey into Super-resolution: A survey
    链接: https://arxiv.org/abs/1904.07523Deep
    Learning for Image Super-resolution: A Survey

     

    医学图像分割

    Deep learning for cardiac image segmentation: A review

    • intro: 本医学图像分割综述从FCN(2014)到Dense U-net(2019),超过250篇的参考文献(论文中光画图的工作量就超级大)
    • 链接: https://arxiv.org/abs/1911.03723

    Machine Learning Techniques for Biomedical Image Segmentation: An Overview of Technical Aspects and Introduction to State-of-Art Applications

     

    自动驾驶

    A Survey of Autonomous Driving: Common Practices and Emerging Technologies

    • intro: 在本次自动驾驶系统调查中,本文概述了一些关键创新以及现有系统。涉及内容如下: 1. 前景和挑战 2. 自动驾驶系统架构 3. 传感器 4. 定位和建图技术 5. 感知(2D/3D):目标检测、跟踪、道路和车道线检测 6. 评估方法 7. 自动驾驶相关数据集 8. 自动驾驶开源工具
    • 链接: https://arxiv.org/abs/1906.05113

     

    显著性目标检测

    Salient Object Detection in the Deep Learning Era: An In-Depth Survey

    Action Recognition: A Survey

     

    深度估计

    Monocular Depth Estimation: A Survey

    来源:知乎
    作者:Amusi

     

    展开全文
  • 1.计算机视觉的定义:是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测...

    1.计算机视觉的定义:是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。

    2.计算机视觉面临的挑战:视觉角度的变化  光照 遮挡 大小 变形 背景杂乱 内部结构的变化 图片模糊 图片背后的世界

    3.机器视觉系统:是指通过机器视觉产品(即图像摄取装置,分CMOS和CCD两种)把图像抓取到,然后将该图像传送至处理单元,通过数字化处理,根据像素分布和亮度、颜色等信息,来进行尺寸、形状、颜色等的判别。进而根据判别的结果来控制现场的设备动作。

    4. 机器视觉系统包括:光路系统、摄像机(CCD)、量化存储单元、模块库、专用高速图像处理单元、监视单元等大模块。其中光路系统由程控光源、变焦伺服机构、 自动光圈、光学镜片组成。

    5.机器视觉系统常用的摄像机一般分为两大类:使用光导摄像管的摄像机和使用电荷耦合器件摄像机,CCD摄像管由固体电路制成,在计算机视觉系统中应用较多, 一般分为线阵式和面阵式两种,两者都由排列成阵列的光明元件组成。

    6.机器视觉优势

    质量 & 精度 :保持一直,无主观意识, 24/7 全时检测

    节省劳动成本 :消除工资/福利待遇/培训/责任等等

    减少废料 :在生产过程中控制废品输出到下一道工序

    提高生产效率 :机器视觉检测快于人眼检测

    客户关系 :使用机器视觉保证质量维护良好的客户关系

    数据存档 : 备份产品质量数据,便于以后查询

    推动技术共享 :允许其他工厂自动化共享技术(如,机器人) 

    远程监控 :远程诊断机器问题以及故障排除

    容错能力 :错误发生之前报警,防止废品出现

    人类安全 :应用与人类无法工作的环境

    7.机器视觉系统的关键技术光源照明技术、光学镜头、摄像机、图像采集卡、图像处理卡和快速准确 的执行机构等方面。

    8.像素: 像素是最小的测量单位,通过像素的强度来进行各种机器视觉功能的分析,相机中更多的像素可以发现比较小的特征.。

       工作距离:  是从镜头前边缘到需要检测部分清晰对焦的距离

    9.景深 (DOF):  镜头到目标零件清晰对焦的距离。需要注意的是较短的间距或者更小孔径的退经将会增加景深。

       视场 (FOV): 成像区域通过镜头投影到图像传感器。

    10.机器视觉良好图像:

    清晰的检测特征

    良好的对比度

    可测量性 

    可重复性

    检测部分敏感度,尽量减少图像干扰 ,保证检测部分稳定是4:3的长宽比 (4 个单位宽度以及3 个单位的高度)

     

    展开全文
  • 【导读】本文整理了2019年计算机视觉方面的综述论文,包含目标检测、图像分割(含语义/实例分割)、目标跟踪、医学图像分割、显著性目标检测、行为识别、深度估计等。可以使读者对相关领域有一个...

    【导读】本文整理了2019年计算机视觉方面的综述论文,包含目标检测图像分割(含语义/实例分割)目标跟踪医学图像分割显著性目标检测行为识别深度估计等。可以使读者对相关领域有一个系统的了解。很适合初学者以及相关领域的研究人员。

    目标检测

    01

    1. Imbalance Problems in Object Detection: A Reviewintro: under review at TPAMI

    arXiv: https://arxiv.org/abs/1909.00169

    2. Recent Advances in Deep Learning for Object Detectionintro: From 2013 (OverFeat) to 2019 (DetNAS)

    arXiv: https://arxiv.org/abs/1908.03673

    3. A Survey of Deep Learning-based Object Detectionintro:From Fast R-CNN to NAS-FPN

    arXiv: https://arxiv.org/abs/1907.09408

    4. Object Detection in 20 Years: A Surveyintro:This work has been submitted to the IEEE TPAMI for possible publication

    arXiv: https://arxiv.org/abs/1905.05055

    5. 目标检测更多论文详见:https://github.com/amusi/awesome-object-detection

    图像分割

    02

    1. Deep Semantic Segmentation of Natural and Medical Images: A Reviewintro

    从 FCN(2014) 到 Auto-DeepLab(2019),本综述共含179篇语义分割和医学图像分割参考文献

    arXiv: https://arxiv.org/abs/1910.07655

    2. Understanding Deep Learning Techniques for Image Segmentationintro

    本综述介绍了从2013年到2019年,主流的30多种分割算法(含语义/实例分割),50多种数据集,共计224篇参考文献

    arXiv: https://arxiv.org/abs/1907.06119

    目标跟踪

    03

    1. A Review of Visual Trackers and Analysis of its Application to Mobile Robotintro

    本目标跟踪综述共含185篇参考文献!从传统方法到最新的深度学习网络

    arXiv: https://arxiv.org/abs/1910.09761

    2. Deep Learning in Video Multi-Object Tracking: A Surveyintro

    38页目标跟踪综述,含30多种主流算法,共计174篇参考文献

    arXiv: https://arxiv.org/abs/1907.12740

    超分辨率

    04

    1. A Deep Journey into Super-resolution: A survey

    arXiv: https://arxiv.org/abs/1904.07523

    2. Deep Learning for Image Super-resolution: A Survey

    arXiv: https://arxiv.org/abs/1902.06068

    医学图像分割

    05

    1. Deep learning for cardiac image segmentation: A reviewintro

    本医学图像分割综述从FCN(2014)到Dense U-net(2019),超过250篇的参考文献(论文中光画图的工作量就超级大)

    arXiv: https://arxiv.org/abs/1911.03723

    2. Machine Learning Techniques for Biomedical Image Segmentation: An Overview of Technical Aspects and Introduction to State-of-Art Applications

    arXiv: https://arxiv.org/abs/1911.02521

    显著性目标检测

    06

    1. Salient Object Detection in the Deep Learning Era: An In-Depth Survey

    arXiv: https://arxiv.org/abs/1904.09146

    github: https://github.com/wenguanwang/SODsurvey

    行为识别

    07

    1. Spatio-temporal Action Recognition: A Survey

    arXiv: https://arxiv.org/abs/1901.09403

    深度估计

    08

    1. Monocular Depth Estimation: A Survey

    arXiv: https://arxiv.org/abs/1901.09402

    地址连接:

    https://github.com/FranxYao/Deep-Generative-Models-for-Natural-Language-Processing

    文章转载自专知

    “哪吒头”—玩转小潮流

    展开全文
  • 本文为计算机视觉领域综述性论文Intelligent Visual Media Processing: When Graphics Meets Vision的翻译。由于英文水平有限,如有错误,还望批评指正。以下为翻译。
  • 导读:本文共汇总了从2020年4月至今的计算机视觉领域综述性论文,共54篇,涵盖图像分割、 图像识别、人脸识别/检测、医学影像、目标检测、3D方向(自动驾驶/深度估计)、GAN、文本检测与识别、姿态估计等14个研究...
  • 计算机视觉入门系列(一) 综述

    万次阅读 多人点赞 2020-12-16 04:42:36
    计算机视觉入门系列(一) 综述自大二下学期以来,学习计算机视觉及机器学习方面的各种课程和论文,也亲身参与了一些项目,回想起来求学过程中难免走了不少弯路和坎坷,至今方才敢说堪堪入门。因此准备写一个计算机...
  • 计算机视觉应用综述

    千次阅读 2018-12-09 10:05:19
    有研究表明,人对外界的环境的感知70%以上来自人类的视觉系统,机器也是如此,大多数的信息都包含在图像中,人工智能的实现少不了计算机视觉。那么计算机视觉具体有哪些应用呢? 无人驾驶  无人驾驶又称自动驾驶,...
  • 原标题:综述论文2021-计算机视觉十大领域最新综述文章分类大盘点一、简介综述文章:快速了解领域发展、技术前沿的总结性文章,继往开来,乘风破浪!综述文章可以帮助我们快速获取计算机视觉某一领域的全部知识,是...
  • 计算机视觉的应用与发展综述摘要:计算机视觉学是自二十世纪六十年代中期迅速发展起来的一门新学科。它是个边缘学科,集众家之所长,是个工程性很强的技术,主要需要有空间几何、矩阵分析、光电技术、图像处理、应用...
  • 本文是计算机科学家Christoph Rasche撰写的一份计算机视觉方面的系列教程,从传统的图像处理、特征提取到近几年很热的深度神经网络,以及深度学习方法在目标检测、图像检索、图像分割、目标跟踪等一系列前沿的介绍。...
  • 计算机视觉入门综述

    千次阅读 2017-12-16 18:29:50
    计算机视觉入门综述 自大二下学期以来,学习计算机视觉及机器学习方面的各种课程和论文,也亲身参与了一些项目,回想起来求学过程中难免走了不少弯路和坎坷,至今方才敢说堪堪入门。因此准备写一个计算机视觉方面的...
  • 计算机视觉相关综述整理

    万次阅读 2018-03-13 01:00:38
    计算机视觉相关综述整理 计算机视觉与图像识别综述:这是一篇偏科普的通俗型综述,了解相关历史和发展进程,对一些技术有初步的认识。 卷积神经网络综述:作者回顾了从1998年开始,近18年来深度神经网络的架构发展...
  • 计算机视觉综述

    2021-07-13 09:55:20
    各类视觉问题综述paper
  • #### 本节书摘来自华章出版社《Arduino计算机视觉编程》一书中的第1章,第1.1节,作者[土耳其] 欧森·...计算机视觉系统综述 在本章中,你将会了解计算机视觉系统的基础概念和整体框架。这样当解决计算机视觉问题...
  • 自动驾驶计算机视觉研究综述英文版,阐述了自动驾驶计算机视觉研究综述:难题、数据集与前沿成果。资料来自网络,请用于个人学习,若侵犯到您的权益,请联系363509627@qq.com,我会尽快删除。
  • 图像处理与计算机视觉技术的介绍,比较详细的介绍了计算机视觉的相关知识和技术,能够帮助理解图像处理和计算机视觉质检的关系。
  • 计算机视觉技术与应用综述

    千次阅读 2019-08-19 09:53:47
    引用自:无人系统之“眼”——计算机视觉技术与应用浅析 张 丹,单海军,王 哲,吴陈炜 一、前言 ​         近年来,人工智能和深度学习获得突破,成为了大众关注的焦点。如LeCun Y,Bengio ...
  • 针对计算机视觉的材料感知问题,综述了国内外的主要研究成果,介绍这些研究的主要方法及其典型算法和基本思想,归纳出材料视觉感知的两种主要研究方法:材料识别和分类;材料属性及其参数估计。最后,提出目前研究所...
  • 计算机视觉任务的总体概括 第一篇CSDN的文章,主要是关于计算机视觉中一些经典任务的资料分享,其中包括图像超分辨率、目标检测、图像分割 图像超分辨率 ...
  • 本文先分别对计算机视觉和机器学习的基本概念、发展历程、研究现状和常用算法以及发展方向做了大致的介绍,然后用一个例子——复杂环境下驾驶员眼睛定位及眼睛状态识别对计算机视觉和机器学习的联系进行了分析。
  • 计算机视觉中摄像机定标综述,讲述了各种相机标定的原理与方法。
  • 时尚是我们向世界展示自己的方式,已经成为世界上最大的产业之一。时尚主要通过视觉来传达,因此近年来受到了计算机视觉研究者的广泛关注。
  • 计算机视觉入门的一些综述类文章和经典pdf书籍,【3D视觉工坊】按照不同领域帮大家划分了下,涉及图像处理、计算机视觉、自动驾驶、立体视觉、深度估计、姿态估计、OpenCV、SLAM、点云处...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 10,724
精华内容 4,289
关键字:

计算机视觉综述