计算机视觉_音视频博客-专业IT技术发表平台

推荐付费专栏 VIP文章

【计算机视觉】自监督学习在CV中的突破：SimCLR、MoCo与BYOL 自监督学习在CV中的突破：SimCLR、MoCo与BYOL，人工智能、大模型、AI深度学习在计算机视觉领域取得了令人瞩目的进展，自监督学习作为一种新兴的学习范式，旨在利用数据自身的结构和信息进行学习，无需大量的人工标注。其核心思想是通过设计合适的自监督任务，让模型从数据中自动挖掘出有价值的特征表示。在 CV 领域，自监督学习为解决标注数据匮乏的问题提供了新的思路，近年来取得了一系列突破性进展，其中 SimCLR、MoCo 和 BYOL 等方法尤为引人注目。

阅读 7.5w

51赞

夜深人静打代码

计算机视觉常用数据集Cityscapes的介绍、下载、转为YOLO格式进行训练城市景观Cityscapes(C)：Cityscapes 收集了50个不同城市良好天气条件下的城市街景，总共包含5000张真实城市场景图像；其中3475张带标注信息的图像用于训练验证（2,975张图像用于训练，500张用于验证），剩下1525张无标注信息图像用于测试。Cityscapes数据集是计算机视觉领域常用的数据集，它的高质量标注和丰富场景使其成为评估和训练算法的理想选择。

阅读 8.9k

60赞

【计算机视觉】轻量化模型设计：MobileNet、ShuffleNet与EfficientNet 轻量化模型设计：MobileNet、ShuffleNet与EfficientNet，人工智能、大模型、AI深度学习在计算机视觉领域取得了令人瞩目的进展，而MobileNet、ShuffleNet 和 EfficientNet 是轻量化模型领域的代表性成果，它们各自从不同角度对模型结构进行了创新，为在资源有限的情况下实现高性能的视觉任务提供了有效的解决方案。本文将深入探讨这三种轻量化模型的架构设计、核心概念、代码实现以及它们在实际应用中的表现和优势。

阅读 9.6w

35赞

weixin_51454889

计算机视觉目标检测——DETR(End-to-End Object Detection with Transformers) 本周主要学习了DETR（End-to-End Object Detection with Transformers）目标检测算法及其相关内容。DETR通过引入Transformer，将目标检测任务视为集合预测问题，首次实现了端到端的目标检测，无需NMS后处理和anchor设计（相较于YOLO），显著简化了模型训练和部署流程。论文的核心贡献包括设计了基于二分图匹配的目标函数，确保输出的独特性，并通过Transformer的encoder-decoder架构实现了高效的目标检测。

阅读 2.7k

28赞

基于BlazePose卷积神经网络的人体姿态检测【计算机视觉课设】计算机视觉，基于Blazepose的人体姿态检测识别

阅读 1.0k

31赞

OpenCV计算机视觉实战（6）——经典计算机视觉算法计算机视觉是一个多学科交叉领域，目标是使机器能够理解和解释来自图像和视频的视觉信息。本节将介绍经典计算机视觉算法的关键原理、应用、优势和局限性，即使是在深度学习技术的出现之后，这些算法仍然具有重要意义，为图像分析、特征提取、分割、运动估计和目标检测奠定了基础。并在特定领域内对不同算法进行比较分析，展示经典算法在实际场景中的应用。

阅读 1.6k

49赞

OpenCV与AI深度学习｜16个含源码和数据集的计算机视觉实战项目(建议收藏！) 本文将分享16个含源码和数据集的计算机视觉实战项目。

阅读 3.1w

136赞

《解锁计算机视觉智慧：编程实现图片场景文字描述的开源宝藏》：此文为AI自动生成在当今数字化浪潮中，AI 技术正以前所未有的速度重塑着我们的生活与工作方式。其中，图片场景文字描述生成技术犹如一颗璀璨的新星，备受瞩目。无论是社交媒体上的趣味分享、电商平台的商品展示，还是辅助视障人士感知世界，这项技术都展现出了巨大的实用价值。它能够精准剖析图片中的元素、动作、环境等诸多细节，并用生动、准确的文字将视觉信息转化为可阅读的描述，让人们得以从全新维度理解图像内涵。而开源项目，作为技术创新的前沿阵地，为开发者们提供了深入探索、自由定制该技术的绝佳机会。

阅读 1.1k

14赞

平凡程序猿~

机器学习中的图像处理与计算机视觉在现代计算机科学中，图像处理和计算机视觉已成为最活跃的研究领域之一，这得益于机器学习和深度学习的发展。本文将深入探讨图像处理与计算机视觉的基础概念、常见应用、关键技术、常用工具，以及在这些领域中的代码示例。通过本篇文章，我们将了解如何从头开始构建一个简单的计算机视觉系统，并探索这些技术背后的原理。

阅读 6.0k

86赞

AI与计算机视觉（CV）：目标检测与图像分割的最新进展 AI与计算机视觉（CV）：目标检测与图像分割的最新进展

阅读 1.6k

16赞

标注工具终极指南：LabelImg+YOLO格式转换全流程图解（数据处理丨人工智能丨深度学习丨计算机视觉丨CV丨YOLO目标检测丨神经网络）在目标检测项目中，标注效率和格式转换精度直接影响模型训练效果。本文将结合工业级实战经验，从环境搭建到分布式流水线全流程解析，附带Python全版本兼容代码和避坑指南，帮你打造高效标注闭环。

阅读 848

16赞

2024人工智能、图像处理与计算机视觉国际学术会议(ICAIIPCV 2024) 会议主要围绕人工智能、图像处理与计算机视觉等研究领域展开讨论。所有投稿都必须先经过2-3位专家审稿，评审录用后，文章将以会议论文集的形式出版，最终提交EI Compendex、Scopus 和Inspec检索。2.审稿流程：作者投稿-稿件收到确认（1个工作日）-初审(1-3工作日) -告知结果（接受/拒稿），越早投稿越早收到文章结果。2024人工智能、图像处理与计算机视觉国际学术会议将于202。1. 投稿参会：一篇录用文章提供一名作者免费参会机会；2. 付费参会：不投稿仅参会听会，不作任何展示；

阅读 947

9赞

爱吃蔬菜不挑食

智绘未来：深度解析【人工智能】、【机器学习】与【计算机视觉】的时代革命随着AI技术的不断进步，我们有理由相信，AI将在更多领域展现出其变革性的力量。然而，在享受技术带来的便利与创新的同时，我们也必须面对由此引发的伦理、法律与社会挑战。AI的发展不仅仅是技术的进步，更是人类社会的一次深刻变革。我们需要以开放的心态和严谨的态度，迎接AI时代的到来，确保其发展方向符合人类的共同利益。

阅读 3.9k

41赞

今夕是何年，

手把手教你暗通道先验去雾算法暗通道先验去雾算法（Dark Channel Prior, DCP）是一种基于图像的去雾技术，由Kaiming He等人在2009年提出。这种算法利用了大气散射模型，通过估计大气光和图像的传输图来去除雾的影响。

阅读 4.4k

34赞

多目标检测：DETR在自动驾驶场景的应用实战（人工智能丨机器学习丨深度学习丨计算机视觉丨三维重建丨目标检测） DETR通过集合预测范式重构了目标检测流程，其在自动驾驶场景的成功应用证明了Transformer架构对复杂视觉任务的强大建模能力。然而，当前方案仍面临长序列时序建模效率低（连续10帧处理延迟＞200ms）、多模态融合精度瓶颈（LiDAR与图像特征对齐误差＞5cm）等挑战。技术展望BEV感知融合：结合DETR与BEV（鸟瞰图）特征转换网络，实现3D空间的端到端检测（如nuScenes数据集上mAP提升15%）轻量化架构创新。

阅读 895

23赞

Artificial Genius

Computer Vision Arxiv Daily 2025.02.07 We introduce ConceptAttention, a novel method that leverages the expressive power of DiT attention layers to generate high-quality saliency maps that precisely locate textual concepts within images. Without requiring additional training, ConceptAttention r

阅读 1.1k

15赞

油泼辣子多加

【计算机视觉】人脸识别输入：一张图片（RGB 格式）。处理转为灰度图。使用预训练的 Haar 级联模型检测人脸和眼睛。在检测到的区域绘制矩形框。输出：在窗口中显示标注了人脸和眼睛的图片。

阅读 2.8k

34赞

AI天才研究院

AI人工智能与计算机视觉的融合发展趋势分析本文旨在全面分析人工智能与计算机视觉融合发展的现状和未来趋势。我们将涵盖从基础理论到前沿应用的全方位内容，重点关注深度学习技术在计算机视觉领域的突破性进展。本文首先介绍基本概念和背景知识，然后深入探讨核心算法原理和数学模型。接着展示实际应用案例和开发实践，最后讨论未来发展趋势和挑战。计算机视觉(Computer Vision)：使计算机能够从图像或多维数据中获取信息的科学领域卷积神经网络(CNN)：专门用于处理网格状数据(如图像)的深度学习架构目标检测(Object Detection)

阅读 928

8赞

【计算机视觉】超简单！傅里叶变换的经典案例 Hey小伙伴们！今天来给大家分享一个 **计算机视觉** 中非常经典且重要的技术——**傅里叶变换（Fourier Transform, FT）**。傅里叶变换在图像处理、信号分析等领域有着广泛的应用，它可以帮助我们从频域的角度理解图像的特性，进行滤波、去噪、边缘检测等操作。如果你对计算机视觉感兴趣，或者想学习如何用 Python 实现傅里叶变换，那这篇笔记一定要收藏哦！

阅读 1.8k

25赞

作者推荐

绝顶大聪明: 人生就像是重构函数，每一次重构都在重写「自我认知算法」。或许我们永远无法达到完美函数，但正如Linus Torvalds所说："Talk is cheap. Show me the code." —— 行动本身就是最优雅的递归。

关注

深度学习lover: 深度学习爱好者，在学习过程中搜集了一些数据集，可以提供分享

关注

小白学视觉: 跟着小白一起学视觉

关注

阿_旭: 专注Python、人工智能相关内容研究分享。

关注

埃菲尔铁塔_CV算法: 一个多年从事CV算法的打工人~

关注

金蝶软件小李: 为中华之崛起而读书

关注

不会仰游的河马君: 主要致力于深度学习目标检测数据集，并有偿提供目标检测代标注服务（私信有惊喜）说明：项目内容以简介为准，若涉及代码，需要您有一定的基础能够看懂代码，能够自行调试修改代码并解决报错。本人工作较忙不常在线，不提供答疑服务，如需远程部署200米起包运行。

关注

视觉人机器视觉: 诚实守信，实事求是，追求卓越，独立思考

关注

AI智韵: 专注AI技术，紧跟时代前沿，将最新的论文成果运用到Yolo系列的改进中！每篇文章都包含几种改进方法，步骤详细，解释清楚，还提供了PDF版本的文章和完整的改进代码！大家遇到使用的问题，或者我写的不清楚的地方，请私信告诉我！如果是写的不够清楚，我再去修改，如果有错误和Bug，我尽快修复！谢谢大家！

关注

知来者逆: 点错技能树了

关注