Vision Transformer系列参考论文,大多数都是热门论文,包含CVPR,NIPS顶会以及顶刊论文,欢迎大家学习

国外的一开源项目，非常出名的多点软件。它可以做很小的触摸屏，也可以做到七八十寸的大触摸屏。这是我自己编译过的1.4版本。

A One-Dimensional Vision Transformer with Multi-scale Convolution Fusion for Bearing Fault Diagnosis

全球各地的公司在为客户创造和实现优质产品的过程中都面临着复杂的制造和运营挑战。康耐视机器视觉和工业读码解决方案能够帮助我们的客户解决一些最具挑战性和多样化的应用挑战。我们对这些问题的了解，加上我们的创新技术，使我们可以提供耐用和可重复的解决方案，解决广泛的行业所面临的一些挑战——包括引导、识别、测量和检测。通过使用我们的解决方案，我们的客户提高了工艺性能，改善了产品质量并降低了成本。

移动机器人自主导航是机器人领域的热点研究内容。本书首先介绍了基于机器视觉感知机制的自主移动机器人导航的理论与研究，重点介绍了基于地图、地图构建以及无地图环境下的基于视觉传感器的机器人导航算法，并给出了实际应用中基于视觉的机器人先进导航算法的实现。本书详细阐述了实际应用中基于视觉的自主导航算法以及SLAM问题，提出了利用视觉感知如何实现子目标驱动的导航概念，提出了利用模糊逻辑进行基于视觉的机器人路径跟踪概念，以及如何利用基于微型控制器的传感器系统研制实验室环境下的低成本机器人。

《Computer & Machine Vision: Theory Algorithms Practicalities》是一本非常经典的机器视觉教科书，其在Google Scholar上被应用超过2000次。 该资源是英文版PDF，含有目录。

棋盘识别 该项目重点介绍了采用计算机视觉技术处理棋盘图像并识别棋盘配置的方法。 尽管将棋盘检测用于相机校准是一个经典的视觉问题，但是现有的棋子识别技术在受控环境下仍能正常工作。 程序针对所选的彩色棋盘和一组特定的棋子而定制。 该项目中使用的方法通过使用聚类来分割棋盘和棋子，而与颜色方案无关，对现有研究进行了补充。 对于棋子识别，该方法引入了一种新颖的方法，该方法使用R-CNN训练鲁棒的分类器以处理不同类型的棋盘棋子。 与基于SIFT的分类器相比，该方法在不同种类的样本上表现更好。 如果扩展，这项工作对于记录动作和培训国际象棋AI以预测特定棋盘配置的最佳可能动作可能很有用。 方法堆栈： 获

裂缝的 Unet 语义分割 使用 PyTorch、OpenCV、ONNX 运行时的实时裂缝分割 依存关系： 火炬 OpenCV ONNX 运行时 CUDA >= 9.0 指示： 1.使用您的数据集训练模型并在supervisely.ly上使用unet_train.py保存模型权重（.pt文件） 2.使用pytorch_to_onnx.py将模型权重转换为ONNX格式 3.使用crack_det_new.py获取实时推理 裂纹分割模型文件可点击此下载 结果： 图表：

ISIC 2018：黑色素瘤检测的皮肤病变分析 概括 更新：2018年7月15日，包括k倍验证以及验证/测试预测和提交。 该存储库为基于Keras / Tensorflow的ISIC-2018挑战的任务1和任务3提供了一个起始解决方案。 当前达到的性能是： 任务1 任务3 平均Jaccard的81.5％ 准确度达83％ 阈值Jaccard的77.2％ 平均召回率68.5％ 我们支持Keras支持的大多数骨干网（Inception，Densenet，VGG等）。 对于分段问题，我们还支持在U-Net类型结构中使用Keras预训练主干。 该代码是高度可配置的，允许您更改和尝试算法的许多方面。 下面，我们描述如何运行基准解决方案。 安装/设置 该代码使用：Python 3.5，Keras 2.1.6和TensorFlow 1.8.0。 请参阅需求文件以获取所需的软件包。 请

USB3_Vison_Specification u3v vision中文协议手册，翻译的，如有错误以英文为准 u3v是做工业相机的标准协议，海康大华都有