相关文章
从零开始学cv-14：图像边缘检测
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言一、图像边缘是什么？二、Sobel 算子三、Scharr 算子四、Prewitt算子五、Canny算子 前言 边缘检测是OpenCV中的一个重要组成部分，它用于识别图像中亮度变化显著的点，即边缘。通过边缘检测，我们可以从图像中提取出重要的特征，为后续的图像分析、形状识别和物体跟踪等任务奠定
从零开始学cv-0：图像处理基础知识
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言一，图像分类1.1、模拟图像1.2、数字图像 二、颜色模式（颜色存储）2.1、RGB模式（发光模式）2.2、CMYK模式2.3、HSB模式2.4、Lab模式2.5、位图模式（Bitmap Mode）2.6、灰度模式（Grayscale Mode）2.7、索引颜色模式（Indexed Color Mode）
Hugging Face Offline Mode 离线模式
Hugging Face Offline Mode 离线模式 1. 缓存管理2. 遥测日志 在使用 Hugging Face 的库时，缓存和遥测日志是两个重要的功能。本文将介绍如何管理缓存、启用离线模式以及如何关闭遥测日志。 1. 缓存管理 在使用 Hugging Face 模型时，权重和文件通常会从 Hub 下载并存储在默认的缓存目录中，这个目录通常位于用户的主目录。如果
人脸识别开源项目之-face_recognition
特性 从图片里找到人脸 定位图片中的所有人脸： import face_recognitionimage = face_recognition.load_image_file("your_file.jpg")face_locations = face_recognition.face_locations(image) 识别人脸关键点 识别人脸关键点，包括眼睛、鼻子、嘴和下巴。
Face Recognition简记1-A Performance Comparison of Loss Functions for Deep Face Recognition
创新点 1.各种loss的比较 总结 很久没见到这么专业的比较了，好高兴。 好像印证了一句话，没有免费的午餐。。。。 ArcFace 和 Angular Margin Softmax是性能比较突出的
Detection简记2-DAFE-FD: Density Aware Feature Enrichment for Face Detection
创新点 1.使用密度估计模型增强检测中的特征图 总结 整个流程还是很清晰的。 conv1-3的特征图经过密度估计模块由检测器D1进行检测。 D2-4分别是四个检测器。 FFM是特征融合模块，将不同层不同大小的特征融合。 FFM网络结构如下： 首先使用1X1的卷积减少两组特征的厚度到128，然后使用双线性插值统一两组特征图的尺寸，然后相加。类似于cvpr2017的SSH。 多尺度检测器的网
国内从事CV行业的企业
转载出处：blog.csdn.net/carson2005 经常碰到朋友问我国内从事计算机视觉（CV）领域的公司的发展情况，产品情况，甚至找工作等问题，这里，我给出自己收集的国内从事CV相关领域的公司网址及其主要产品，有兴趣的朋友可以去看看。另外，资料整理的不是很完善，后续我会继续更新和添加，并及时在我博客进行更新（blog.csdn.net/carson2005）。 （1） 北京北方猎波科技有
CV---点围绕旋转中心变换
对图片上任意点(x,y)，绕一个坐标点(rx,ry)旋转a角度后的新的坐标设为(x0, y0)， 则有公式： x0= (x - rx)*cos(a) - (y - ry)*sin(a) + rx ;y0= (x - rx)*sin(a) + (y - ry)*cos(a) + ry ; 推导公式参考： http://jingyan.baidu.com/article/2c8c281dfbf
传统CV算法——轮廓性质算法实战
近似轮廓寻找 cv2.approxPolyDP 函数简介 cv2.approxPolyDP 是 OpenCV 中用于多边形逼近的函数。它基于 Ramer-Douglas-Peucker 算法，通过对曲线或多边形进行抽象，来近似表示其形状。这个函数通常用于简化轮廓，使得复杂的轮廓用较少的顶点来表示，方便后续的处理和分析。 函数原型 cv2.approxPolyDP(curve, epsilo
传统CV算法——特征匹配算法
Brute-Force蛮力匹配 Brute-Force蛮力匹配是一种简单直接的模式识别方法，经常用于计算机视觉和数字图像处理领域中的特征匹配。该方法通过逐一比较目标图像中的所有特征点与源图像中的特征点来寻找最佳匹配。这种方法的主要步骤包括： 特征提取：首先，从两个待比较的图像中提取关键特征点。这些特征点通常是图像中的角点、边缘或其他显著的图像属性。 特征描述：对提取出的每个特征点生成一个描