深度学习与CV教程(10) - 轻量化CNN架构 (SqueezeNet,ShuffleNet,MobileNet等).doc

深度学习与CV教程(8) - 常见深度学习框架介绍.doc

深度学习与CV教程(6) - 神经网络训练技巧 (上).doc

数字图像处理第四版(冈萨雷斯).pdf

AI本地作画-Disco-Diffusion,本地配置好环境以减运行

西电计算机视觉CV第四次上机资源

作物引导拍照挑战赛【CV比赛】，通过图像里盆栽的位置可以对图像进行引导方向的识别，给出合理的引导方向。本次赛提供已对植株位置进行分类的图像数据，参赛选手需基于提供的样本构建模型，实现**对图片中植株的位置的分类**（正中、上、下、左、右、左上、左下、右上、右下、过大、过小）。 背景：随着计算机技术的发展，农业开始步入智能化领域。在农业智能化过程中，通过建立起农业病虫害识别模型摆脱传统的专家进行农业病虫害识别。但在农业病虫害识别模型中，由于使用拍摄工具的主体是人，而农业病虫害识别模型对于需要识别的图像具有一定规范性。由于没有对人在拍摄过程中进行规范性引导，导致了人在拍摄过程中随意拍摄图片，从而造成了实际的农业病虫害识别精度远远小于训练时的精度。为了使人拍摄的农作物图像能够达到农业病虫害识别模型输入的要求，提高实际的农业病虫害识别模型的精度，需要**建立起判断植株在图片中的位置的模型来辅助人进行图片拍摄**。在引导拍照过程中，**手机需要实时调用该模型**。为了在移动端得到较好的引导效果，模型的参数规模和速度都需要有相应的限制。人眼产生视觉暂留的阈值一般位于12~24Hz，而屏幕刷新频率的

参考文献： 原论文名称：EfficientNetV2: Smaller Models and Faster Training 论文下载地址：https://arxiv.org/abs/2104.00298 原论文提供代码：https://github.com/google/automl/tree/master/efficientnetv2 参考博文：https://blog.csdn.net/qq_37541097/article/details/116933569?spm=1001.2014.3001.5502 参考在bilibili上的讲解视频：https://b23.tv/M4hagB

东软数字减影C臂DSA CV NSX-6000 SONATA 服务维修手册

mmdetection里用的预训练模型retinanet的，放在AWS上的，国内下载不便，放在CSDN方便大家下载