图切RANSAC 论文中提出的图切RANSAC算法：Daniel Barath和Jiri Matas； Graph-Cut RANSAC，计算机视觉和模式识别会议，2018年。可从以下获得： CVPR教程解释了该方法。 有关单应性，基本矩阵，基本矩阵和6D姿态估计的实验，显示在2020年的RANSAC教程的相应中。 安装C ++ 要构建和安装仅C ++的GraphCutRANSAC ，请克隆或下载此存储库，然后通过CMAKE生成项目。 $ git clone https://github.com/danini/graph-cut-ransac $ cd build $ cmake .. $ make 安装Python包并编译C ++ python3 ./setup.py install 或者 pip3 install -e . 示例项目 要构建显示基本矩阵，单应性和基本矩阵

FCOS检测算法在VOC数据集上的训练模型，直接下载可进行inference。配合代码https://github.com/leviome/fcos_pure 使用。具体教程看README.

pytorch-randaugment RandAugment的非官方PyTorch重新实现。 大部分代码来自 。 介绍 可以使用RandAugment对感兴趣的数据集训练模型，而无需单独的代理任务。 通过仅调整两个超参数（N，M），您可以实现具有竞争优势的AutoAugments性能。 安装 $ pip install git+https://github.com/ildoonet/pytorch-randaugment 用法 from torchvision . transforms import transforms from RandAugment import RandAugment transform_train = transforms . Compose ([ transforms . RandomCrop ( 32 , padding = 4 ), t

新闻 1月12日：v0.9.96大大提高了和的灵活性。 查看 12月10日：v0.9.95包括一个新的元组采矿器 。 查看 11月6日：v0.9.94中有一些小错误修复和改进。 文献资料 Google Colab示例 请参阅 以获取可以在Google Colab上下载或运行的笔记本的 。 PyTorch公制学习概述 该库包含9个模块，每个模块都可以在您现有的代码库中独立使用，或组合在一起以形成完整的培训/测试工作流程。 损失函数如何工作 在训练循环中使用损失和矿工 让我们初始化一个简单的 ： from pytorch_metric_learning import losses loss_func = losses . TripletMarginLoss () 要在训练循环中计算损失，请传递模型计算的嵌入以及相应的标签。 嵌入的大小应为（N，embedding_size），标签的大小应为（N），其中N为批处理大小。 # your training loop for i , ( data , labels ) in enumerate ( dataloader ): optimiz

在CIFAR-10数据集上训练的PyTorch模型 我修改了官方实施的流行CNN模型，并对CIFAR-10数据集进行了训练。 我在原始代码中更改了类的数量，过滤器大小，步幅和填充，以便它可以与CIFAR-10一起使用。 我也共享这些模型的权重，因此您只需加载权重并使用它们即可。 通过使用PyTorch-Lightning，该代码具有很高的可复制性和可读性。 支持模型的统计 不。 模型 值累积 否。参数 尺寸 1个 vgg11_bn 92.39％ 28.150百万 108兆字节 2个 vgg13_bn 94.22％ 28.334百万 109兆字节 3 vgg16_bn 94.00％ 33.647百万 129兆字节 4 vgg19_bn 93.95％ 38.959百万 149兆字节 5 网路18 93.07％ 11.174百万 43兆字节 6 资源34 9

主要是介绍计算机视觉的相关理论知识，结合了近期比较火的深度学习技术，初学者可以看看

:flower_playing_cards: AVA数据集 大规模的审美视觉分析数据库 数据集下载 通过Mega或Torrent下载 :cloud: 巨型云 链接： 整个数据集已拆分为64个7z文件。 下载所有zip文件，解压缩第一个文件，它应该可以工作。 约32GB和255,500个图片文件。 :link: 激流 下载并与或其他客户端打开。 还支持磁铁链接。 有关更多详细信息，请访问 。 注意：由于torrent服务器的网络状况，下载过程可能会不稳定。 如果是这样，请改用Mega。 Bibtex： @article{, title= {AVA: A Large-Scale Database for Aesthetic Visual Analysis}, keywords= {images, aesthetics, semantic, quality, AVA, DPChallenge}, journal= {}, author= {N

全卷积网络的端到端目标检测 该项目在PyTorch上提供了“”的实现。 本文中的实验是在内部框架上进行的，因此我们在上重新实现了它们，并报告了以下详细信息。 要求 scipy> = 1.5.4 开始使用 在本地安装cvpods（需要cuda进行编译） python3 -m pip install ' git+https://github.com/Megvii-BaseDetection/cvpods.git ' # (add --user if you don't have permission) # Or, to install it from a local clone: git clone https://github.com/Megvii-BaseDetection/cvpods.git python3 -m pip install -e cvpods # Or, pip

项目： 手指计数器 此项目计算由给定的网络摄像头/视频捕获的视频中的手指数。 要求 OpenCV Python 3.7以上 媒体管道 关于项目 Handtracker文件包含一个Handdetector类 该类有两个用于检测手的类方法，即findHands和用于查找位置界标的方法，即findPosition FingerCounter文件包含用于通过网络摄像头捕获视频并计算手指数的模块。 提示ID可以在下面的图片中看到 使用手势进行音量控制 该项目使用手势控制音量 要求 OpenCV Python 3.7以上 媒体管道 麻木 ca 关于项目 Handtracker文件包含一个Handdetector类 该类有两个用于检测手的类方法，即findHands和用于查找位置界标的方法，即findPosition 手势音量控制器文件包含使用手势控制音量的模块。 pycaw是一个库，通过它我们可以

深度演示 概述 该存储库包含一些使用深度学习方法的示例，这些示例用于在MoveIt Task构造函数中掌握姿势的生成。 这些软件包是在运行ROS Melodic的Ubuntu 18.04上开发和测试的。 配套 ：使用深度学习方法在MoveIt Task构造函数中的把握生成阶段构造一个拾取和放置任务 ：使用Dex-Net从深度图像中采样抓取 moveit_task_constructor_gpd ：使用GPD采样来自3D点云的抓取 入门 首先，完成“ 入门指南” 。 在安装依赖项之前，建议先运行： sudo apt update sudo apt upgrade 重要说明：建议在catkin工作区之外安装不是ROS软件包的依赖项。 对于GPD，这包括PCL，OpenCV和GPD库。 对于Dex-Net，这包括gqcnn ， autolab_core ，悟性和可视化。 下面的步骤