<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[CV前沿]]></title><description><![CDATA[欢迎关注微信公众号「CV前沿」互动交流]]></description><link>https://blog.csdn.net/u010414589</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; u010414589]]></copyright><item><title><![CDATA[OpenCV实战 | 一文剖析图像阈值化方法——adaptiveThreshold、 threshold、THRESH_OTSU]]></title><link>https://blog.csdn.net/u010414589/article/details/120913846</link><guid>https://blog.csdn.net/u010414589/article/details/120913846</guid><author>u010414589</author><pubDate>Fri, 22 Oct 2021 21:37:29 +0800</pubDate><description><![CDATA[图像阈值化，是指根据图像内像素点强度的分布规律设置一个阈值，并根据像素点强度高于阈值或者低于阈值而进行一些处理。例如，输入是一张灰度图和一个阈值TTT，当图中像素值大于阈值TTT，则输出图像对应像素设置为255（白色）；当图中像素值小于等于阈值TTT，则输出图像对应像素设置为0（黑色），这样通过阈值化就得到了一个二值化的图像。阈值化作为一种非常普遍使用的图像预处理方式，有利于我们在图像中定位到我们的目标对象。
从上述阈值化的定义中，我们会发现存在两个关键问题：

合适的阈值如何设置？
阈值设置后，基于像素点]]></description><category></category></item><item><title><![CDATA[OpenCV实战 | 基于形态学运算提取图像中的音符]]></title><link>https://blog.csdn.net/u010414589/article/details/120863171</link><guid>https://blog.csdn.net/u010414589/article/details/120863171</guid><author>u010414589</author><pubDate>Wed, 20 Oct 2021 11:58:43 +0800</pubDate><description><![CDATA[图像形态学运算，顾名思义是应用形态学操作改变图像中物体的形状的过程。其中形态学操作比较基础的是膨胀、腐蚀、开运算和闭运算；形态学操作的对象通常是二值化图像。
本文会先介绍形态学中常见的操作的原理部分，然后介绍在OpenCV中这些操作的函数和参数含义，最后通过一个提取图像中音符的样例来贯穿全部的内容。
1 形态学操作
1.1  腐蚀
腐蚀过程是将一个核与一个图像进行卷积，其中核可以是任何的形状，比如大小为3∗33 * 33∗3的正方形核，也可以是大小为5∗15 * 15∗1的长条形核。核有一个参考点，参考点位]]></description><category></category></item><item><title><![CDATA[【图像分类】ShuffleNet: 一个极端高效的移动端卷积神经网络]]></title><link>https://blog.csdn.net/u010414589/article/details/117023576</link><guid>https://blog.csdn.net/u010414589/article/details/117023576</guid><author>u010414589</author><pubDate>Wed, 19 May 2021 12:25:42 +0800</pubDate><description><![CDATA[码字不易，欢迎点赞。文章同步发布在公众号：CV前沿
在上一篇文章中，我们已经介绍了一种针对移动端和嵌入式设备的卷积神经网络—-MobileNet。今天我们要介绍的是旷视科技在2017年12月份提出的更加高效的移动端卷积神经网络—-ShuffleNet。
在ShuffleNet网络中使用了两个创新的操作：


pointwise group convolution（逐点组卷积）


channle shuffle（通道混洗）


概要来说，逐点组卷积是降低了逐点卷积（也即是1*1卷积）的计算复杂度； 同时为了]]></description><category></category></item><item><title><![CDATA[【图像分类】MobileNet: 一点创新、两个超参]]></title><link>https://blog.csdn.net/u010414589/article/details/116700603</link><guid>https://blog.csdn.net/u010414589/article/details/116700603</guid><author>u010414589</author><pubDate>Wed, 12 May 2021 11:26:51 +0800</pubDate><description><![CDATA[MobileNet是2017年由Google提出的一个应用于移动端和嵌入式的卷积神经网络。它的主要应用场景包括有智能手机、无人机、机器人、自动驾驶、增强现实等等。
在这之前，研究者更多还是关注于精度的提升，模型也是朝着深度更深、结构更复杂的方向发展。从最初12年提出的8层的AlexNet、再到14年各领风骚的19层的VGG和22层的GoogLeNet、再到15年何凯明大神提出的152层的ResNet。可见，深度是越来越深，精度是越来越高。
但与此同时，这些网络的参数和计算量也是足够的大，很难在移动端和嵌入.]]></description><category></category></item><item><title><![CDATA[13G深度学习垃圾分类数据分享，技术学习交流群]]></title><link>https://blog.csdn.net/u010414589/article/details/116448538</link><guid>https://blog.csdn.net/u010414589/article/details/116448538</guid><author>u010414589</author><pubDate>Thu, 06 May 2021 11:02:04 +0800</pubDate><description><![CDATA[各位同学、朋友
我是某985院校的计算机硕士，也是一名图像算法工程师。
之前在工作中接触过垃圾分类场景的项目，收集了图像8万多张、总数据量13G+的数据。
我经常看到有的同学想入门而没有数据，有的同学身边是没有讨论问题的同学。
这里我和我的朋友，一起发起了**一个以垃圾分类为主题，涉及图像分类、目标检测、边缘硬件设备（英达伟、树莓派）的技术学习交流群，**目前已经有80多个不同高校的小伙伴加入，有多名工训赛比赛的TOP5选手、也有做华为垃圾分类竞赛的同学、以及做毕业设计的同学。
学习群的价值：

提供了一份]]></description><category></category></item><item><title><![CDATA[【图像分类】移动端网络中最常用的几种卷积操作]]></title><link>https://blog.csdn.net/u010414589/article/details/116447543</link><guid>https://blog.csdn.net/u010414589/article/details/116447543</guid><author>u010414589</author><pubDate>Thu, 06 May 2021 09:54:56 +0800</pubDate><description><![CDATA[随着AlexNet 在2012年ImageNet 竞赛中赢得冠军之后，卷积神经网络在计算机视觉领域已开始变得无处不在。一个大的研究趋势是研究更深、更复杂的网络，从而实现更高的准确率。但这些提升准确率的改进并不一定会使网络在大小和速度上更加高效。
然而在许多现实世界的应用中，比如智能手机、机器人、无人机、自动驾驶、增强现实等，图像识别任务需要在计算资源受限的平台上高效的执行。
为此，出现了很多研究针对移动端与嵌入式设备上应用的小型高效的网络，比如MobileNetV1、MobileNetV2、ShuffleN]]></description><category></category></item><item><title><![CDATA[DenseNet --CVPR 2017年 最佳论文]]></title><link>https://blog.csdn.net/u010414589/article/details/116137591</link><guid>https://blog.csdn.net/u010414589/article/details/116137591</guid><author>u010414589</author><pubDate>Sun, 25 Apr 2021 20:33:43 +0800</pubDate><description><![CDATA[2017年国际计算机视觉与模式识别大会（CVPR2017）在美国夏威夷火奴鲁鲁岛召开，姚班计科30班刘壮同学以共同第一作者身份发表的大会论文Densely Connected Convolutional Networks（《密集连接的卷积神经网络》）获得了会议最佳论文奖。
论文主要的贡献是提出了一种全新的卷积神经网络架构DenseNet，显著地提升了模型在图片识别任务上的准确率。
让我们一起拜读一下大牛的这篇文章吧！！！
摘要
最近的研究工作表明，卷积神经网络在临近输入层和输出层之间加入捷径连接，使得网络.]]></description><category></category></item><item><title><![CDATA[【图像分类经典网络 | LeNet-5】一切都在孕育之中]]></title><link>https://blog.csdn.net/u010414589/article/details/115857152</link><guid>https://blog.csdn.net/u010414589/article/details/115857152</guid><author>u010414589</author><pubDate>Mon, 19 Apr 2021 09:24:37 +0800</pubDate><description><![CDATA[今天我们讲的内容，要先从一个人物谈起。

Yann LeCun（中文名：杨立昆、卷积网络之父、纽约大学数据科学中心主任、Facebook人工智能研究院主任、深度学习三巨头之一、图灵奖获得者)
杨立昆于1960年7月生于法国巴黎附近。1983年他在巴黎高等电子与电气工程师学校获得了一个工程师学位，1987年从巴黎第六大学获得了一个计算机科学博士学位。博士在学期间，他提出了神经网络的反向传播学习算法（Backpropagation，缩写为BP）的原型。他随后到多伦多大学师从Geoffrey Everest Hi]]></description><category></category></item><item><title><![CDATA[200G时序行为检测经典数据集THUMOS 2014，文末附下载方式]]></title><link>https://blog.csdn.net/u010414589/article/details/115711658</link><guid>https://blog.csdn.net/u010414589/article/details/115711658</guid><author>u010414589</author><pubDate>Wed, 14 Apr 2021 23:39:37 +0800</pubDate><description><![CDATA[THUMOS 2014数据集包括行为识别和时序行为检测两个任务。
行为识别任务：

它的训练集为UCF101数据集，包括101类动作，共计13320段分割好的视频片段。
它的验证集和测试集则分别包括1010和1574个未分割过的视频。

时序行为检测任务：
只有20类动作的未分割视频是有时序行为片段标注的，包括200个验证集视频（包含3007个行为片段）和213个测试集视频（包含3358个行为片段）。这些经过标注的未分割视频可以被用于训练和测试时序行为检测模型。一般情况下，大家使用验证集来训练action.]]></description><category></category></item><item><title><![CDATA[【Nvidia DeepStream5.0】Gst-nvtracker插件功能说明]]></title><link>https://blog.csdn.net/u010414589/article/details/115554325</link><guid>https://blog.csdn.net/u010414589/article/details/115554325</guid><author>u010414589</author><pubDate>Fri, 09 Apr 2021 16:49:42 +0800</pubDate><description><![CDATA[Gst-nvtracker
Gst-nvtracker插件允许DeepStream 管道使用一个底层跟踪器来跟踪具有唯一ID的检测目标。它支持任何实现NvDsTracker API的底层库，包括三个参考实现：NvDCF、 KLT 和 IOU 跟踪器。作为这个 API 的一部分，插件查询底层库中关于输入格式和内存类型的功能和要求。然后，基于这些查询结果，插件将输入帧缓冲区转换为底层库请求的格式。例如，KLT 跟踪器使用 Luma 专用格式; NvDCF 使用 NV12或 RGBA格式; IOU 不需要缓冲区。]]></description><category></category></item><item><title><![CDATA[【leetcode236】二叉树的最近公共祖先]]></title><link>https://blog.csdn.net/u010414589/article/details/115498621</link><guid>https://blog.csdn.net/u010414589/article/details/115498621</guid><author>u010414589</author><pubDate>Wed, 07 Apr 2021 22:58:53 +0800</pubDate><description><![CDATA[题目描述
给定一个二叉树, 找到该树中两个指定节点的最近公共祖先。
提示：

树中节点数目在范围 [2, 10^5] 内。
-10^9&lt;= Node.val &lt;= 10^9
所有 Node.val 互不相同 。
p != q
p 和 q 均存在于给定的二叉树中。

示例：

输入：root = [3,5,1,6,2,0,8,null,null,7,4], p = 5, q = 4
输出：5
解释：节点 5 和节点 4 的最近公共祖先是节点 5 。因为根据定义最近公共祖先节点可以为节点本身。


]]></description><category></category></item><item><title><![CDATA[【leetcode235】二叉搜索树的最近公共祖先]]></title><link>https://blog.csdn.net/u010414589/article/details/115498582</link><guid>https://blog.csdn.net/u010414589/article/details/115498582</guid><author>u010414589</author><pubDate>Wed, 07 Apr 2021 22:57:50 +0800</pubDate><description><![CDATA[题目描述
给定一个二叉搜索树, 找到该树中两个指定节点的最近公共祖先。
说明:

所有节点的值都是唯一的。
p、q 为不同节点且均存在于给定的二叉搜索树中。

示例：

输入: root = [6,2,8,0,4,7,9,null,null,3,5], p = 2, q = 4
输出: 2
解释: 节点 2 和节点 4 的最近公共祖先是 2, 因为根据定义最近公共祖先节点可以为节点本身。


解题思路
对于二叉树的问题，我们通常要往递归的思路上去思考。思考递归的关键在于找到子问题，和终止条件。
在本题中子问]]></description><category></category></item><item><title><![CDATA[【DeepStream5.0样例工程】deepstream-app的可视化 pipeline diagram （管道图 / 元件图 / 构件图）]]></title><link>https://blog.csdn.net/u010414589/article/details/115477374</link><guid>https://blog.csdn.net/u010414589/article/details/115477374</guid><author>u010414589</author><pubDate>Wed, 07 Apr 2021 08:58:19 +0800</pubDate><description><![CDATA[我们在学习一个deepstream 样例工程的时候，我们希望知道工程中管道是由哪些元件组成，以及元件间的数据流转方式。
如果我们人工的根据代码去绘制，也是可行的，但效率比较低下，且容易出现错误。
我们可以通过一些代码实现，自动生成这样的管道图。
本文不再介绍如何生成的过程，希望了解这个过程可以查看参考文献。这里直接给出deepstream-app 样例工程生成可视化管道图的结果。
图片是高清大图，看的时候可以放大图像。(这里我在配置文件中配置的是拉两路流，所以管道图中的输入源有两个。)


关注【CV面试宝]]></description><category></category></item><item><title><![CDATA[【DeepStream5.0样例工程】deepstream-test3的可视化 pipeline diagram （管道图 / 元件图 / 构件图）]]></title><link>https://blog.csdn.net/u010414589/article/details/115476927</link><guid>https://blog.csdn.net/u010414589/article/details/115476927</guid><author>u010414589</author><pubDate>Wed, 07 Apr 2021 08:46:07 +0800</pubDate><description><![CDATA[我们在学习一个deepstream 样例工程的时候，我们希望知道工程中管道是由哪些元件组成，以及元件间的数据流转方式。
如果我们人工的根据代码去绘制，也是可行的，但效率比较低下，且容易出现错误。
我们可以通过一些代码实现，自动生成这样的管道图。
本文不再介绍如何生成的过程，希望了解这个过程可以查看参考文献。这里直接给出deepstream-test3 样例工程生成可视化管道图的结果。
编译和运行
进入这个目录
/opt/nvidia/deepstream/deepstream-5.0/sources/app]]></description><category></category></item><item><title><![CDATA[【DeepStream5.0样例工程】deepstream-test1的可视化 pipeline diagram （管道图 / 元件图 / 构件图）]]></title><link>https://blog.csdn.net/u010414589/article/details/115476492</link><guid>https://blog.csdn.net/u010414589/article/details/115476492</guid><author>u010414589</author><pubDate>Wed, 07 Apr 2021 08:26:35 +0800</pubDate><description><![CDATA[我们在学习一个deepstream 样例工程的时候，我们希望知道工程中管道是由哪些元件组成，以及元件间的数据流转方式。
如果我们人工的根据代码去绘制，也是可行的，但效率比较低下，且容易出现错误。
我们可以通过一些代码实现，自动生成这样的管道图。
本文不再介绍如何生成的过程，希望了解这个过程可以查看参考文献。这里直接给出deepstream-test1 样例工程生成可视化管道图的结果。
图片是高清大图，看的时候可以放大图像。

相关文章：
DeepStream-test1样例 逐行讲解版，原来竟如此简单
使用]]></description><category></category></item><item><title><![CDATA[二叉树的前序、中序、后序、层序遍历，递归和迭代两大类解题思路，每类细分不同解法【完整版】附PDF文档]]></title><link>https://blog.csdn.net/u010414589/article/details/115415401</link><guid>https://blog.csdn.net/u010414589/article/details/115415401</guid><author>u010414589</author><pubDate>Sat, 03 Apr 2021 13:45:02 +0800</pubDate><description><![CDATA[一、二叉树的前序遍历

二叉树的前序遍历的记忆法则是“根左右"，即先遍历根节点，再遍历左子树节点，再遍历右子树节点。
以上图为例，前序遍历的结果是【A, B, D, E, C, F, G】
1.1 解题思路：递归
递归是我们实现前中后序遍历最常用的方法。

什么问题可以采用递归求解呢？
需要满足三个条件：

一个问题的解可以分解为若干个子问题的解；
这个问题与分解的子问题，除了数据规模不同外，求解思路相同
存在递归终止条件。

那么在知道一个问题可以采用递归实现之后，如何写出递归代码呢？
关键在于能写出递归]]></description><category></category></item><item><title><![CDATA[二叉树的后序遍历]]></title><link>https://blog.csdn.net/u010414589/article/details/115415388</link><guid>https://blog.csdn.net/u010414589/article/details/115415388</guid><author>u010414589</author><pubDate>Sat, 03 Apr 2021 13:42:23 +0800</pubDate><description><![CDATA[二叉树的后序遍历的记忆法则是“左右根"，即先遍历左子树节点，再遍历右子树节点，最后遍历根节点。
以上图为例，后序遍历的结果是【D, E, B, F, G, C, A】
一、解题思路：递归
递归是我们实现前中后序遍历最常用的方法。

什么问题可以采用递归求解呢？
需要满足三个条件：

一个问题的解可以分解为若干个子问题的解；
这个问题与分解的子问题，除了数据规模不同外，求解思路相同
存在递归终止条件。

那么在知道一个问题可以采用递归实现之后，如何写出递归代码呢？
关键在于能写出递归公式，找到终止条件。

.]]></description><category></category></item><item><title><![CDATA[二叉树的中序遍历]]></title><link>https://blog.csdn.net/u010414589/article/details/115415373</link><guid>https://blog.csdn.net/u010414589/article/details/115415373</guid><author>u010414589</author><pubDate>Sat, 03 Apr 2021 13:41:01 +0800</pubDate><description><![CDATA[二叉树的中序遍历的记忆法则是“左根右"，即先遍历左子树节点，再遍历根节点，再遍历右子树节点。
以上图为例，中序遍历的结果是【D, B, E, A, F, C, G】
一、解题思路：递归
递归是我们实现前中后序遍历最常用的方法。

什么问题可以采用递归求解呢？
需要满足三个条件：

一个问题的解可以分解为若干个子问题的解；
这个问题与分解的子问题，除了数据规模不同外，求解思路相同
存在递归终止条件。

那么在知道一个问题可以采用递归实现之后，如何写出递归代码呢？
关键在于能写出递归公式，找到终止条件。

在.]]></description><category></category></item><item><title><![CDATA[二叉树的前序遍历]]></title><link>https://blog.csdn.net/u010414589/article/details/115415226</link><guid>https://blog.csdn.net/u010414589/article/details/115415226</guid><author>u010414589</author><pubDate>Sat, 03 Apr 2021 13:39:39 +0800</pubDate><description><![CDATA[二叉树的前序遍历的记忆法则是“根左右"，即先遍历根节点，再遍历左子树节点，再遍历右子树节点。
以上图为例，前序遍历的结果是【A, B, D, E, C, F, G】
一、解题思路：递归
递归是我们实现前中后序遍历最常用的方法。

什么问题可以采用递归求解呢？
需要满足三个条件：

一个问题的解可以分解为若干个子问题的解；
这个问题与分解的子问题，除了数据规模不同外，求解思路相同
存在递归终止条件。

那么在知道一个问题可以采用递归实现之后，如何写出递归代码呢？
关键在于能写出递归公式，找到终止条件。

在.]]></description><category></category></item><item><title><![CDATA[使用DeepStream5.0部署YOLOV3，并实现多路拉流、自定义模型]]></title><link>https://blog.csdn.net/u010414589/article/details/115338399</link><guid>https://blog.csdn.net/u010414589/article/details/115338399</guid><author>u010414589</author><pubDate>Tue, 30 Mar 2021 22:52:12 +0800</pubDate><description><![CDATA[一、前言
本文介绍基于DeepStream5.0和YoloV3目标检测模型来实现车辆和行人检测的部署过程。在第二部分介绍依赖的环境；第三、四部分介绍YoloV3的样例工程和编译运行过程；第五部分介绍如何实现多路拉流；第六部分介绍如何自定义YOLOV3模型；最后是小结和参考资料。
希望本文尽可能的详细和清晰，让大家在动手尝试过程中少走弯路，一步到位。
二、环境准备

Cuda10.2
Jetpack4.4
Ubuntu18.04
DeepStream SDK &gt;= 5.0
硬件设备我这里使用的是NVID]]></description><category></category></item></channel></rss>