计算机视觉算法一些资源

物体检测:
cocoapi: https://github.com/cocodataset/cocoapi
efficientdet: https://github.com/google/automl/tree/master/efficientdet
https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch
yolo-v3: https://github.com/mystic123/tensorflow-yolo-v3
yolov4: https://github.com/AlexeyAB/darknet#yolo-v3-in-other-frameworks

OCR相关:
https://github.com/bai-shang/crnn_ctc_ocr_tf
CRNN+CTC: https://zhuanlan.zhihu.com/p/43534801
https://mp.weixin.qq.com/s/enVx8sLoxmaSM8NlUL5IMQ

二维码:
https://zhuanlan.zhihu.com/p/38649280

人脸:
https://github.com/deepinsight/insightface#verification-results-on-combined-margin
https://www.zhihu.com/question/37060782/answer/542948113?utm_source=wechat_session
https://github.com/luckycallor/InsightFace-tensorflow
https://blog.csdn.net/wgx571859177/article/details/79690185
美颜:https://mp.weixin.qq.com/s/Xfdetg7Blcb2VDo9RYjJjg
人脸综述: https://mp.weixin.qq.com/s/tV6sbss1dRD3l0gAw-LMxg

一些数据:
cityscapes图像分割: https://blog.csdn.net/zz2230633069/article/details/84591532
鉴黄: https://mp.weixin.qq.com/s/QEq8fHY2HCOuCXUWXwOpyA
https://github.com/alex000kim/nsfw_data_scraper
https://github.com/EBazarov/nsfw_data_source_urls
图像标注工具: https://mp.weixin.qq.com/s/0mQVw40sz-Dgz_0uqyg5sw

学习资料:
https://github.com/SnailTyan/deep-learning-papers-translation
https://mp.weixin.qq.com/s/WQ3yzio4yVQqAfqTaSvW9Q

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
├─1.计算机视觉简介、环境准备(python, ipython) │ computer vsion.pdf │ CS231 introduction.pdf │ ├─2.图像分类问题简介、kNN分类器、线性分类器、模型选择 │ 2. 图像分类简介、kNN与线性分类器、模型选择.mp4 │ 2.初识图像分类.pdf │ ├─3.再谈线性分类器 │ 3.再谈线性分类器.mp4 │ 再谈线性分类器.pdf │ ├─4.反向传播算法和神经网络简介 │ .反向传播算法和神经网络简介.pdf │ 4. 反向传播算法和神经网络简介.mp4 │ ├─5.神经网络训练1 │ 5.-神经网络训练1.pdf │ 5.神经网络训练1.mp4 │ ├─6.神经网络训练2、卷积神经网络简介 │ 6.神经网络训练2.mp4 │ 神经网络训练2.pdf │ ├─7.卷积神经网络 │ 7.卷积神经网络.mp4 │ Lession7.pdf │ ├─8.图像OCR技术的回顾、进展及应用前景 │ 8.图像OCR技术的回顾、进展及应用前景.mp4 │ PhotoOCR_xbai.pdf │ └─9.物体定位检测 物体定位检测.pdf │ ├─10.卷积神经网络可视化 │ .卷积神经网络可视化.pdf │ 10.卷积神经网络可视化.mp4 │ ├─11.循环神经网络及其应用 │ 11.循环神经网络及其应用.mp4 │ 循环神经网络.pdf │ ├─12.卷积神经网络实战 │ 12.卷积神经网络训练实战.mp4 │ 卷积神经网络实战.pdf │ ├─13.常见深度学习框架介绍 │ 常见深度学习框架介绍.pdf │ ├─14.图像切割 │ 14.图像切割.mp4
计算机视觉算法是一个非常活跃的研究领域,近年来有很多新的进展。以下是一些计算机视觉算法的最新发展: 1. 自监督学习:自监督学习是一种无需标注数据的学习方式,近年来在计算机视觉领域受到越来越多的关注。它可以通过对数据进行自我监督,从而获得比传统监督学习更好的结果。 2. Transformer:Transformer 是一种用于自然语言处理的深度学习模型,在计算机视觉领域也开始逐渐得到应用。它可以处理序列数据,比如图像中的像素或区域,从而实现图像分类、对象检测等任务。 3. GAN:生成对抗网络(GAN)是一种可以生成逼真图像的深度学习模型,它在计算机视觉领域也得到了广泛应用。近年来,GAN 不仅可以生成逼真的图像,还可以实现图像编辑、转换等功能。 4. 轻量化模型:近年来,越来越多的研究关注如何设计轻量化的模型,在保证性能的同时减少计算和存储资源的消耗。这些模型不仅可以在移动设备上部署,还可以降低计算和能源成本。 5. 跨模态学习:跨模态学习是指将不同模态的数据进行融合,从而提高计算机视觉任务的性能。例如,将图像和文本进行融合,可以实现图像检索、图像标注等任务。 以上是计算机视觉领域的一些最新发展。总的来说,计算机视觉领域发展迅速,新的方法和算法不断涌现,为实现更加智能化的计算机视觉应用提供了更多可能性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值